Zero-1-to-3 (Zero123)— Zero-shot One Image to 3D Object
想从一张图看到这个物体的新视角，但没有 3D 监督。
关键想法：在 Objaverse 渲染上微调 Stable Diffusion，让它以一个相对相机变换（Δ方位、Δ仰角、Δ半径）为条件生成新视角。第一次教会 2D 扩散模型"显式的视角控制"。
相比 SDS"逐资产优化"，这是一次前向就出新视角；但每个视角独立生成，彼此不保证 3D 一致。
Blog
Part IV · 多视图扩散
先造出一致的几张视图，再重建
SDS 慢在"逐资产优化"。这一部换思路：微调一个 2D 扩散模型，让它一次性吐出几张相互一致的视图， 再丢给一个重建后端。一致性靠"视图共享 attention"几乎免费换来（Demo 5）。 从 Zero123 的单视图条件，到 CAT3D 的任意视图重建，主攻 痛点 (c) 一致性。
§4.1Zero123 · 教 2D 模型"换个角度看"
Zero123-XL（更大的 Objaverse-XL 重训）与 Stable Zero123（质量过滤 + 仰角条件 + 训练提速）只提保真、不改架构。 问题留在了"独立生成 → 不一致"上——下面三节都是在补这个洞。
§4.2固定视图网格 + 快速前馈重建
Zero123++— a Single Image to Consistent Multi-view Diffusion Base Model
独立生成各视角 → 互相打架。
关键想法：把 6 张固定视角拼成一张 3×2 的大图，在一次扩散里生成——这些视角共享 SD 自己的 self-attention，一致性"免费"得到。再加 reference attention + 调好的噪声调度。
从"每视角一次扩散"变成"所有视角一次扩散"——这是整条线最便宜也最常用的一致性技巧。
有了一组一致视图，重建就能前馈化：One-2-3-45（2306.16928，跑 Zero123 出多视图 → 一个 cost-volume SparseNeuS 在 ~45s 出 mesh，无 SDS）、 One-2-3-45++（一致多视图 → 多视图条件的原生 3D 扩散，已经在往 Part VI 靠）、 Instant3D（2311.06214，文本→4 视图网格 → transformer LRM 回归 triplane NeRF，~20s——这是通往 Part V 的桥）。
§4.33D-aware attention · 把几何先验做进注意力
统一的招数：让视图之间共享 attention，使网络把它们当成一个联合样本，而不是 N 个独立样本。具体有几味：
- 共享 / 拼接 self-attention（Zero123++、MVDream）：把视图拼在 token 轴上，每个视图的 query 能看到所有视图的 key/value。最便宜、最流行。
- Epipolar attention（EpiDiff、Era3D 的行注意力）：只在几何上有效的对应（极线 / 图像行）之间做 cross-attention，是更强的归纳先验、也更可扩展。
- 3D-aware 体积 attention（SyncDreamer）：每步去噪都把特征投进一个共享 3D 特征体积同步。
- 显式相机 embedding / 共享噪声 / 共享 UV latent（Zero123、Free3D、SyncMVD）。
Demo 5 · 视图共享 attention · 一致性从哪来
四个视图在并行去噪。关掉共享再点"跑一次去噪"：四个视图各自漂移成不同颜色/形状（不一致）。 打开共享：虚线表示视图间的 attention 把它们拉向同一个共识，越去噪越一致。 这就是 Zero123++ / MVDream 的核心——一致性不是事后对齐，而是生成时就耦合。
SyncDreamer / Wonder3D / Era3D— 体积同步 · 跨域(RGB+法线) · 高分辨率行注意力
共享 self-attention 还不够准，且分辨率一高 attention 就爆。
关键想法：SyncDreamer 用3D 特征体积每步同步；Wonder3D 同时生成 RGB + 法线（跨域 attention），法线融合直出 mesh；Era3D 用行注意力把极线先验做便宜（省 12× 算力），上到 512² 且支持任意相机内参。
把"拼接 attention"升级成带几何结构的 attention——更锐、更高分辨率、几何更对。
§4.4视频扩散先验 · 把环绕轨迹当成一段视频
既然视频模型天生有时间一致性，那"绕物体一圈"就是一段视频。SV3D（2403.12008， 把 Stable Video Diffusion 改成可控环绕视频）、V3D（视频模型出几百帧，密集视图喂重建）、 IM-3D（2402.08682，视频生成 + 3DGS 重建的迭代循环，2D 评估次数少 10–100×）。 密集的帧 → 更少 floater、更稳的重建。这是对"少量固定视图覆盖太稀疏"的回应。
§4.5任意视图重建 · CAT3D 收尾
CAT3D— Create Anything in 3D with Multi-View Diffusion Models
真实场景重建需要任意数量的输入/目标视图，不止 4–6 张固定视角。
关键想法：一个多视图扩散模型吃任意数量输入视图、生成大量 3D 一致的目标视图（高效并行采样），再喂一个稳健的 NeRF/3DGS 重建。整个场景 ~1 分钟。
把"生成几张固定视图"推广到"按需生成任意多视图再重建"，是这条线在场景尺度上的集大成。