我们提出了一种名为3DiM的扩散模型，用于3D新视图合成，能够将单个输入视图转换为许多视图上的一致且清晰的完成。 3DiM的核心组成部分是姿态条件的图像到图像扩散模型，它以源视图及其姿态作为输入，并将新姿态的视图作为输出生成。

Oct, 2022

借助Viewset Diffusion框架，可以从2D数据中训练图像条件化的3D生成模型，从而解决单视图3D重建中的歧义问题，并通过对多视图图像集的去噪扩展了3D真实数据的可用性，通过仅渲染3张图片，我们的模型可以执行3D生成和单视图重建。

Jun, 2023

Sparse3D是一种针对稀疏视角输入的新型三维重建方法，通过从强大的图像扩散模型提取2D先验，使得我们的综合模型在面对开放世界对象时仍能始终保持高质量的结果，并借助C-SDS技术来增强细节，实验证明了我们的方法在NVS和几何重建方面优于之前的最先进工作。

Aug, 2023

通过使用UNeR3D，这篇研究论文提出了一种开创性的无监督方法来从2D图像生成详细的3D重建，同时通过应用逆距离加权技术进行颜色渲染，提高了视觉保真度，并展示了在单视图输入和其他情况下的优越成果，从而重塑了3D视觉中的无监督学习范式。

Dec, 2023

通过使用Score Distillation Sampling (SDS)和Isotropic3D技术，本研究提出了一种仅使用图像的CLIP嵌入作为输入的图像到三维生成方法，可以生成具有更加对称、整洁、几何形态良好、色彩丰富且较少失真的多视点一致图像和三维模型，同时尽可能保持与参考图像的相似性。

Mar, 2024

我们提出了Stable Video 3D (SV3D) - 一种用于高分辨率的围绕3D对象进行图像到多视图生成的潜在视频扩散模型。

Mar, 2024

我们提出了LRM-Zero，它是一个完全基于合成3D数据进行训练的大型重建模型，可以实现高质量的稀疏视角3D重建。LRM-Zero的核心是我们的程序化3D数据集Zeroverse，它是通过简单的基本形状进行自动合成，并进行随机纹理和增强处理（例如，高度场、布尔差异和线框）。与前期的3D数据集（例如Objaverse）不同，Zeroverse完全忽略了现实全局语义，但在复杂的几何和纹理细节上与真实物体局部相似甚至更加复杂。我们证明了我们的LRM-Zero，在使用我们完全合成的Zeroverse进行训练时，可以在重建真实世界对象方面达到与使用Objaverse训练的模型竞争性的高视觉质量。我们还分析了对于LRM-Zero的能力和训练稳定性有贡献的Zeroverse的几个关键设计选择。我们的工作表明，作为3D视觉的核心任务之一，可能可以不考虑真实世界物体的语义来解决3D重建问题。Zeroverse的程序化合成代码和交互式可视化可在此URL中获取。

Jun, 2024

本研究针对从稀疏视图重建详细场景这一难题，提出了ReconX框架，通过将重建挑战重新构建为时间生成任务，利用预训练视频扩散模型的强生成先验。研究表明，ReconX在保持3D一致性的同时，能够生成高细节的视频帧，从而优于现有方法，在多种现实世界数据集上展现出卓越的质量和广泛的适应性。

Aug, 2024

本研究解决了现有图像到3D生成技术在高分辨率纹理细节上缺乏多视图一致性的问题。通过提出高分辨率图像到3D模型（Hi3D），引入了一种视频扩散的新范式，使得单图像生成多视图图像的过程具有了3D意识。实验表明，Hi3D能够生成高细节、优质的一致性多视图图像，具有极大的应用潜力。

Sep, 2024

本研究针对从文本、单幅图像或稀疏视图图像生成高质量3D内容的挑战，提出了Flex3D框架。该框架通过候选视图生成与策划，以及灵活重建模型，能够处理任意数量的高质量输入视图，从而实现更丰富和准确的3D对象表示。实验结果表明，Flex3D在3D生成任务中表现出色，用户研究获胜率超过92%。

Oct, 2024