單圖像3D重建，即從單一視角的二維圖像中恢復出三維物體的形狀和結構，是計算機視覺領域的一項基礎且極具挑戰的難題。

學術界和工業界主要探索了兩種不同的技術路線：基于回歸的建模方法和生成式建模方法。基于回歸的方法能夠高效地推斷出可見表面，但在處理遮擋區域時卻力不從心，常常導致表面和紋理估計不準確。

而生成式方法雖然通過建模分布更好地處理了不確定性區域，卻存在計算成本高昂、生成結果與可見表面對齊不佳等問題。

著名開源大模型平臺Stability-AI開源了一個創新模型SPAR3D，通過融合上面兩種傳統的方法同時規避局限性，僅需0.7秒就能將單圖實時完成3D重建。

開源地址：https://github.com/Stability-AI/stable-point-aware-3d

Huggingface：https://huggingface.co/stabilityai/stable-point-aware-3d

SPAR3D的架構一共使用了點采樣和網格化兩大階段：點采樣階段的核心是點擴散模型，它能夠根據輸入圖像生成包含XYZ坐標和RGB顏色信息的稀疏點云。該階段基于DDPM框架，包含正向過程和反向過程。正向過程向原始點云添加高斯噪聲，而反向過程中的去噪器則學習如何從含噪點云中恢復出噪聲。

在推理時，采用DDIM采樣器生成點云樣本，并借助分類器自由引導（CFG）來提升采樣保真度。去噪器的設計采用了類似Point-E的Transformer架構，將含噪點云線性映射為點標記，同時利用DINOv2編碼輸入圖像作為條件標記，然后將條件標記和點標記拼接起來輸入到Transformer中，以預測每個點上添加的噪聲。

此外，為了降低網格化階段逆渲染的不確定性，該階段還直接生成了反照率點云，作為網格化階段的輸入，從而減少了逆渲染的歧義，穩定了分解學習過程。

網格化階段的目標是從輸入圖像和點云中生成帶有紋理的網格。其骨干網絡是一個大型的三平面Transformer，能夠從圖像和點云條件中預測三平面特征。基于三平面特征，可以估計出物體的幾何形狀、紋理和照明，以及從圖像特征中估計金屬度和粗糙度。

幾何形狀和材質在訓練過程中輸入到可微渲染器中，以便利用渲染損失來監督模型。三平面Transformer由點云編碼器、圖像編碼器和Transformer主干網絡三個子模塊組成。點云編碼器使用簡單的Transformer編碼器將點云編碼為點標記，圖像編碼器則采用DINOv2生成局部圖像嵌入。

三平面Transformer遵循PointInfinity和SF3D的設計，通過計算分離的雙流設計生成高分辨率的三平面。在表面估計方面，通過淺層MLP查詢三平面以產生密度值，并利用可微Marching Tetrahedron（DMTet）將隱式密度場轉換為顯式表面。

同時，還使用兩個MLP頭一起預測頂點偏移和表面法線，以減少Marching Tetrahedron引入的偽影，使表面更加平滑。對于材質和照明估計，執行逆渲染并聯合估計材質（反照率、金屬度和粗糙度）和照明。

基于RENI++的學習型照明先驗構建照明估計器，通過學習編碼器將三平面特征映射到RENI++的潛在空間中，從而估計輸入圖像中的環境照明。反照率的估計方式與幾何形狀類似，通過淺層MLP預測每個3D位置的反照率值。

對于金屬度和粗糙度，則采用概率方法通過Beta先驗進行估計，并用AlphaCLIP替換SF3D中的CLIP編碼器，以解決物體大小變化時的不穩定性問題。可微渲染器根據預測的環境圖、PBR材質和幾何表面渲染圖像。使用可微網格光柵化器和可微著色器，著色器中采用標準的簡化Disney PBR模型，并進行蒙特卡洛積分。

此外，為了更好地模擬通常被忽略的自遮擋現象，實現了可見性測試以改進陰影建模，靈感來源于實時圖形技術，將可見性測試作為屏幕空間方法，利用光柵化器生成的深度圖進行建模。

為了評估SPAR3D的性能，研究人員在GSO和Omniobject3D數據集上進行了實驗。結果顯示，SPAR3D在多個評估指標上都顯著優于其他回歸或生成式基線方法。例如，在GSO數據集上，SPAR3D的CD值為0.120，FS@0.1為0.584，PSNR為18.6，LPIPS為0.139，而其他方法如Shap-E、LN3Diff、LGM等的相應指標均不如SPAR3D。

在OmniObject3D數據集上，SPAR3D同樣展現出優異的性能，CD值為0.122，FS@0.1為0.587，PSNR為17.9，LPIPS為0.140。這些定量比較結果充分證明了SPAR3D在幾何形狀和紋理質量方面的卓越性能。