O Bootstrap3D é uma estrutura projetada para melhorar a criação de conteúdo 3D, solucionando a escassez de ativos 3D de alta qualidade por meio da geração de dados sintéticos. Ele utiliza modelos de difusão 2D e de vídeo para gerar imagens multivisuais com base em prompts de texto, e emprega o modelo MV-LLaVA com percepção 3D para filtrar dados de alta qualidade e reescrever títulos imprecisos. A estrutura já gerou 1 milhão de imagens sintéticas multivisuais de alta qualidade com títulos descritivos densos, para solucionar a carência de dados 3D de alta qualidade. Além disso, propõe uma estratégia de reagendamento de etapas de treinamento (TTR – Training Timestep Reschedule) que aproveita o processo de desruído para aprender a consistência multivisual, mantendo simultaneamente o conhecimento prévio de difusão 2D original.