在 3D 重建領(lǐng)域，無論是 NeRF 還是最新的 3D Gaussian Splatting（3DGS），在生成逼真新視角時仍面臨一個核心難題：視角一旦偏離訓(xùn)練相機位置，圖像就容易出現(xiàn)模糊、鬼影、幾何錯亂等偽影，嚴(yán)重影響實際應(yīng)用。

為了解決這個問題，來自英偉達(dá)的研究團隊聯(lián)合提出了一種創(chuàng)新方案 —— Difix3D+，通過單步擴散模型對 3D 渲染結(jié)果進行 “圖像修復(fù)”，顯著提升新視角圖像的質(zhì)量和一致性。該工作已被 CVPR 2025 接收，并入選 Best Paper Award 候選。

• ??項目主頁：https://research.nvidia.com/labs/toronto-ai/difix3d
• ??論文地址：https://arxiv.org/abs/2503.01774
• ??代碼地址：https://github.com/nv-tlabs/Difix3D 

背景：3D 重建的 “致命短板”

近年來，NeRF（神經(jīng)輻射場）和 3D Gaussian Splatting（3DGS）等技術(shù)在三維重建與新視角合成中取得突破。然而，在訓(xùn)練相機視角之外，這些方法往往會出現(xiàn)模糊、鬼影、幾何錯亂等偽影，尤其在視角跨度較大、數(shù)據(jù)稀疏、光照變化或相機標(biāo)定不準(zhǔn)確的情況下尤為嚴(yán)重。這些偽影極大限制了其在自動駕駛、機器人、AR/VR 等真實場景中的應(yīng)用。

這主要是因為傳統(tǒng)方法過度依賴局部一致性和 per-scene 優(yōu)化流程，缺乏跨場景泛化能力，且無法有效填補觀測稀疏區(qū)域的 “空洞”。

關(guān)鍵洞察：2D 擴散模型為何能 “修好” 3D？

Difix3D+ 提出了一個突破性的視角：將預(yù)訓(xùn)練 2D 擴散模型的視覺先驗引入 3D 渲染流程，將其作為 “圖像修復(fù)器”，精準(zhǔn)去除神經(jīng)渲染偽影。

這一設(shè)計基于一個關(guān)鍵觀察：神經(jīng)渲染偽影的分布，與擴散模型訓(xùn)練過程中的噪聲圖像分布驚人地相似。

為驗證這一點，研究者將渲染圖輸入擴散模型進行單步 “去噪”，并系統(tǒng)性測試不同噪聲強度（t）的效果 ——

• 高噪聲（t=600）：雖然偽影被去除，但內(nèi)容也嚴(yán)重變形
• 低噪聲（t=10）：圖像結(jié)構(gòu)完整，但偽影幾乎未去除
• 中等噪聲（t=200）：在保留語義結(jié)構(gòu)的同時，有效消除了渲染偽影

這一發(fā)現(xiàn)使得單步擴散模型成為 “修復(fù)” NeRF/3DGS 渲染圖的理想選擇，不僅效率高，而且具備泛化能力。

Difix 具備以下核心優(yōu)勢：

1. 單步擴散：發(fā)現(xiàn)渲染偽影的分布在 t=200 處最接近擴散模型訓(xùn)練數(shù)據(jù)，DIFIX 可一次去除偽影并保留語義結(jié)構(gòu)。

2. 無需大量訓(xùn)練：僅需在消費級 GPU 上訓(xùn)練幾個小時，即可適配 NeRF/3DGS 的渲染偽影；

3. 支持多種 3D 表征：同一個模型可同時修復(fù) NeRF（隱式）與 3DGS（顯式）渲染；

4. 近實時推理：在 NVIDIA A100 上，僅需 76ms 即可完成圖像修復(fù)，比傳統(tǒng)多步擴散快 10 倍以上。

5. 可進可退：修復(fù)后的圖像還能反向蒸餾回 3D 模型，提升整體建模精度和一致性。

解決方案：DIFIX3D+ = 擴散模型 + 蒸餾增強 + 實時修復(fù)

DIFIX3D+ 以一個經(jīng)過少量微調(diào)的單步擴散模型（DIFIX）為核心模塊，結(jié)合漸進式優(yōu)化策略，構(gòu)建出一個無需修改原始 3D 重建結(jié)構(gòu)即可增強視覺質(zhì)量的插件化系統(tǒng)。

核心三步流程：

Step 1：DIFIX 修復(fù)中間視角圖像。從訓(xùn)練視角向目標(biāo)視角進行插值采樣，生成中間視角圖，并用 DIFIX 去除偽影。

Step 2：蒸餾至 3D 表示。將修復(fù)后的圖像 “反向蒸餾” 回 3D 表示中，逐步提升建模質(zhì)量與區(qū)域覆蓋度。

Step 3：推理時再修復(fù)。最終渲染出的圖像，再次通過 DIFIX 后處理，消除殘留細(xì)節(jié)錯誤，僅需 76ms，支持實時渲染。

實驗結(jié)果一覽：效果、指標(biāo)全面領(lǐng)先

支持 NeRF、3DGS 多種 3D 表征。

FID 降幅超過 60%~70%，LPIPS 接近 SOTA 一半，大幅領(lǐng)先其他方法。

此外，在自動駕駛場景中（橫向 6 米偏移或仰角 30°），DIFIX3D+ 仍能維持視角一致性與圖像清晰度，極具工程落地價值。

結(jié)語：讓 2D 模型 “反哺” 3D，打開新一代 3D 重建大門

DIFIX3D+ 展示了 2D 擴散模型在 3D 渲染修復(fù)中的巨大潛力。它無需改變原始建模流程，即可顯著提升重建質(zhì)量，為未來更加通用、智能、高效的 3D 場景生成與理解提供了堅實基礎(chǔ)。