编辑评分 100/100
网站简介
结合NeRF与扩散先验的视图外插3D重建技术方案 ReconFusion针对传统3D重建难以处理输入视图范围外新机位的痛点，通过在少量视图和多视图数据集上训练扩散先验，可在输入范围外的不受约束区域合成逼真几何与纹理，同时保留原始观测区域的外观。该方法在前向、360度等多类真实数据集上完成评估，性能优于同类方案。
核心功能
视图外插3D重建
针对输入图像集合范围外的新摄像机机位，完成完整场景的3D重建
扩散先验训练
在少量视图与多视图数据集完成扩散先验训练，支撑无约束区域内容生成
逼真纹理几何合成
在输入范围外的无约束区域，合成符合真实逻辑的几何结构与纹理细节
观测区域外观保留
合成过程中完整保留原始输入观测区域的原有外观细节不被破坏
多场景适配支持
适配前向场景、360度场景等多种不同类型的真实世界应用场景
使用指南
- 1
访问ReconFusion官方网站https://reconfusion.github.io
- 2
可获取项目的开源代码、技术论文与公开实验结果。科研人员可按照项目文档配置运行环境
- 3
基于预训练扩散先验模型
- 4
输入自定义多视图图像
- 5
即可完成超出输入视图范围的新场景3D重建与视图合成
- 6
也可基于自有数据集重新训练模型。
优势亮点
结合NeRF与扩散先验，解决视图外插核心痛点
保留观测区域原始外观细节
支持多类型真实场景
合成效果优于同类传统方法
编辑推荐
传统NeRF方法仅能在输入视图覆盖范围内合成新视角内容，超出范围后效果严重劣化，ReconFusion针对性解决了这一行业痛点。通过引入扩散先验，该方法在保留观测区域信息的同时，大幅提升了外插区域的合成质量，在多类真实场景验证中都展现出明显优势，为视图外插3D重建提供了新的可行路径。
常见问题
深度了解
ReconFusion是面向视图外插3D重建的前沿技术方案，结合了神经辐射场NeRF与扩散模型的技术优势，解决了传统3D重建方法难以在输入视图集合范围外合成高质量内容的核心痛点。该方法先在少量视图以及多视图数据集上完成扩散先验的训练，在实际重建过程中，既能够保留原始输入观测区域的原有外观细节，也可以在输入范围外的不受约束区域合成逼真的几何结构与纹理细节。ReconFusion已经在前向场景、360度场景等多种类型的真实世界数据集上完成了广泛评估，对比现有同类方法展现出了明显的性能提升，是当前视图外插3D重建领域的代表性方案之一，可供相关领域的科研人员与算法从业者参考使用。
使用须知
定价: 以官网定价为准
价格和授权政策可能变化，请以官网最新信息为准
资料由中文导航编辑部整理并经健康检测核验，定期复查更新。
本页信息核对于 2026/10/10，收录信息以收录当日官网状态为准，如发现内容过期请通过下方反馈告知。
访问第三方网站时，请注意以下事项:
- 谨慎提供个人账号、密码和支付信息
- 下载文件前确认来源安全，警惕诱导性广告
- 涉及版权素材使用时，请核实授权范围
- 如遇网站无法访问或内容异常，可反馈给我们
帮助我们维护准确的收录数据，纠错会进入编辑复核队列
用过ReconFusion？说说你的真实体验
你的点评会帮助更多人选型避坑——匿名发表，无需注册，30 秒即可完成
用户评价
还没有评分
成为第一个评价 ReconFusion 的人
我的评分
随下方评论一并提交
热度数据
按站内点击统计1
站内总点击
#-
同类排名 / 3471 站
1
同类点击中位数