Stability AI 发布 Stable Video 3D：一张图生成 3D 网格与环绕视频

Stable Video 3D（简称 SV3D）是一个能把单张二维物体图片直接变成多视角环绕视频、甚至完整 3D 网格的模型。它由 Stability AI 基于视频生成底座改造而来，专门解决以往单图生成 3D 时视角容易变形、画面不连贯的毛病。

它能做什么

你只需要给它一张物体的静态图片，SV3D 就能自动推断出该物体在其他角度的长相，并输出一段平滑的环绕观察视频。

模型这次提供了两个版本。基础版 SV3D_u 适合无脑上手，直接输入单张图，它会自动生成一段标准的环形轨道绕拍视频，不需要输入任何相机参数。

另一个进阶版 SV3D_p 则具备更强的机位控制能力。它不仅接收单张图，还能由用户指定相机运镜轨迹，生成沿着特定摄影机路径移动的 3D 视频。

更关键的是，SV3D 的输出不只是多张图片或视频，它还能配合 3D 优化管线，直接输出高质量的神经辐射场（NeRF）和可用于渲染引擎的 3D 网格模型。

它是怎么做到的

以往像 Stable Zero123 这样的工具，本质上是靠静态图像扩散模型去强猜其他视角，经常出现换个角度物体结构就对不上的情况。

SV3D 换了个聪明思路：改用视频扩散模型 Stable Video Diffusion 作为基础，并引入相机轨迹条件控制。视频模型本身就掌握时间上的画面连续性，搬到空间多视角上，自然拥有了极高的一致性和泛化能力。

在生成 3D 网格时，团队设计了掩码分数蒸馏采样（masked SDS）损失函数，专门修补那些视野盲区里的盲点与几何破损。

为了避免现实光影干扰，它还引入了解耦光照模型，把环境光照与物体原本的几何形状、纹理分开优化，防止原图里的阴影和高光被「烘死」在 3D 贴图上。官方测试显示，SV3D 的输出质量明显好于 Stable Zero123、Zero123-XL 以及 EscherNet。

开放程度与门槛

代码与权重已经上线。非商业研究用途的用户可以直接在 Hugging Face 下载模型权重，并查阅配套的技术研究报告。

如果你想把它集成到商业项目或商用管线中，则需要订阅 Stability AI 的商业会员（Membership）。

硬件方面，跑这类视频扩散与 3D 优化模型通常需要显存充裕的桌面或云端 GPU，算力门槛比跑普通文生图高出不少。

为什么重要

我们认为，SV3D 代表了 3D 内容生成管线的一次重要拐点：用视频生成大模型来给 3D 建模当「空间理解底座」。这避开了单张图拼凑视角的别扭做法，对独立游戏开发者、电商 3D 展示和影视前期概念设计来说，极大地降低了原型资产的制作成本。

不过也需要看到，模型目前的核心优势仍然集中在孤立物体的多视角重建上，面对复杂多物体构图或超精细工业级网格，依然需要人工二次拓扑与修整。