Stability AI 釋出 Stable Video 3D：一張圖生成 3D 網格與環繞影片

Stable Video 3D（簡稱 SV3D）是一個能把單張二維物體圖片直接變成多視角環繞影片、甚至完整 3D 網格的模型。它由 Stability AI 基於影片生成底座改造而來，專門解決以往單圖生成 3D 時視角容易變形、畫面不連貫的毛病。

它能做什麼

你只需要給它一張物體的靜態圖片，SV3D 就能自動推斷出該物體在其他角度的長相，並輸出一段平滑的環繞觀察影片。

模型這次提供了兩個版本。基礎版 SV3D_u 適合無腦上手，直接輸入單張圖，它會自動生成一段標準的環形軌道繞拍影片，不需要輸入任何相機引數。

另一個進階版 SV3D_p 則具備更強的機位控制能力。它不僅接收單張圖，還能由使用者指定相機運鏡軌跡，生成沿著特定攝影機路徑移動的 3D 影片。

更關鍵的是，SV3D 的輸出不只是多張圖片或影片，它還能配合 3D 最佳化管線，直接輸出高質量的神經輻射場（NeRF）和可用於渲染引擎的 3D 網格模型。

它是怎麼做到的

以往像 Stable Zero123 這樣的工具，本質上是靠靜態影像擴散模型去強猜其他視角，經常出現換個角度物體結構就對不上的情況。

SV3D 換了個聰明思路：改用影片擴散模型 Stable Video Diffusion 作為基礎，並引入相機軌跡條件控制。影片模型本身就掌握時間上的畫面連續性，搬到空間多視角上，自然擁有了極高的一致性和泛化能力。

在生成 3D 網格時，團隊設計了掩碼分數蒸餾取樣（masked SDS）損失函式，專門修補那些視野盲區裡的盲點與幾何破損。

為了避免現實光影干擾，它還引入瞭解耦光照模型，把環境光照與物體原本的幾何形狀、紋理分開最佳化，防止原圖裡的陰影和高光被「烘死」在 3D 貼圖上。官方測試顯示，SV3D 的輸出質量明顯好於 Stable Zero123、Zero123-XL 以及 EscherNet。

開放程度與門檻

程式碼與權重已經上線。非商業研究用途的使用者可以直接在 Hugging Face 下載模型權重，並查閱配套的技術研究報告。

如果你想把它整合到商業專案或商用管線中，則需要訂閱 Stability AI 的商業會員（Membership）。

硬體方面，跑這類影片擴散與 3D 最佳化模型通常需要視訊記憶體充裕的桌面或雲端 GPU，算力門檻比跑普通文生圖高出不少。

為什麼重要

我們認為，SV3D 代表了 3D 內容生成管線的一次重要拐點：用影片生成大模型來給 3D 建模當「空間理解底座」。這避開了單張圖拼湊視角的彆扭做法，對獨立遊戲開發者、電商 3D 展示和影視前期概念設計來說，極大地降低了原型資產的製作成本。

不過也需要看到，模型目前的核心優勢仍然集中在孤立物體的多視角重建上，面對複雜多物體構圖或超精細工業級網格，依然需要人工二次拓撲與修整。