智源研究院推出首个基于海量无标注互联网视频的3d生成模型see3d，实现了“see video, get 3d”的突破。该模型无需依赖昂贵的3d或相机标注数据，即可高效学习3d先验知识，并支持零样本和开放世界的3d生成、编辑及表面重建等任务。
不同于传统依赖相机参数的3D生成模型，See3D采用创新的视觉条件技术，仅利用视频中的视觉线索生成相机方向可控、几何一致的多视角图像。其训练数据来自一个名为WebVi3D的大规模多视角图像数据集，包含超过3.2亿帧图像，并可通过自动化流程持续扩展。
See3D模型架构图清晰地展现了其工作流程，其核心在于利用时间依赖噪声生成2D归纳视觉信号，进而训练可扩展的多视图扩散模型（MVD）。这使得See3D能够从海量视频数据中高效学习3D世界结构，并具备以下优势：
- 数据扩展性: 训练数据源于互联网视频，规模远超传统3D数据集，并可持续增长。
- 相机可控性: 支持在任意复杂的相机轨迹下生成场景，实现灵活的视角操控。
- 几何一致性: 生成的长序列新视角保持几何一致性，遵循真实三维几何物理规则。
See3D的应用场景广泛，包括：
- 3D互动世界生成: 输入单张图片即可生成可交互的3D场景。
- 稀疏视图3D重建: 仅需3-6张图片即可重建精细化的3D场景。
- 开放世界3D生成: 根据文本提示生成艺术化图片，并在此基础上生成虚拟3D场景。
- 单视图3D生成: 输入单张真实场景图片生成逼真的3D场景。
See3D模型、代码和Demo已开源，论文及项目地址分别为：论文地址 和 项目地址。 See3D的出现为3D生成技术的发展提供了新的方向，有望降低3D数据采集成本，并推动3D应用的广泛普及。
