偶像：單張影像轉為 3D 高斯潑濺

重點與成果

Speridlabs 的 Idol 能將單一物件的照片、渲染圖或生成影像轉換為可旋轉的 3D Gaussian splat。它會預測物件未被看見的側面，並輸出包含 32,768 至 1,048,576 個 Gaussian 的標準 3DGS PLY。其實用吸引力在於提供具備可控制輸出密度與消費級 GPU 記憶體需求的公開推論 SDK，而不是強制要求進行多視角拍攝工作階段。官方研究頁面。

作者的比較為每個模型使用一張 H100。在 50 個取樣步驟與 262,144 個 Gaussian 的設定下，Idol 回報每次請求需時 6.8 秒、輸入視角 SSIM 為 0.726，以及七個新視角的 DINOv2 相似度為 0.781；相比之下，TRELLIS 在其列出的 50 + 50 步驟設定下，數值分別為 0.716 與 0.754。LGM 以 1.1 秒更快，因此 Idol 並非在每項指標上都領先。這些是作者回報的結果；顯示的比較未指出具名的基準資料集或樣本數量。基準測試。

另一張計時表顯示，在相同的 50 步驟、262,144 個 Gaussian 設定下，RTX 4090 需時 19.1 秒，並以八張影像的中位數計算。模型卡片回報峰值記憶體為 7.2 GB。因此，其「低於兩秒」的標題不應被解讀為此標準 4090 設定下的實測執行時間。模型卡片與硬體設定。

運作方式

推論流程為影像準備 → 雙影像編碼 → 聯合物件與相機流取樣 → 八元樹錨點放置 → Gaussian 解碼 → PLY 與相機匯出。BiRefNet 會移除背景，並將物件框選於 1024 × 1024 像素畫面中。照片與合成模式使用不同的裁切邊距，分別為 1.7 與 1.2。流程。

DINOv3 提供視覺特徵 token，而 FLUX.2 VAE 提供壓縮的影像資訊。投影至 transformer 的工作維度後，兩者的 embedding 會相加以形成影像條件。生成從兩個隨機張量開始：一個具有 8,192 個 16 通道 token 的物件 latent，以及一個五通道的相機 token。這些串流會先分別精煉，之後聯合注意力會一同處理 latent、影像與相機 token。模型會同時預測物件與相機的速度，使視角成為生成的一部分，而非獨立假定的輸入。Transformer 實作。

取樣器使用 Euler 步驟，從 t = 1 的雜訊整合校正流至 t = 0 的資料。預設值為 50 個步驟、引導參數 w = 3，以及時間位移 3。實際的引導方程式為 v = (1 + w)v_cond − wv_uncond；位移後的時間網格會在高雜訊區域附近配置更多步驟。這些操作會改變緊湊的 latent 與相機狀態，而不是在每次迭代中處理數百萬個明確的 Gaussian。流取樣器。

解碼會在空間上擴展這項緊湊結果。八元樹解碼器以物件 latent 為條件，並在每個層級將要求數量的錨點分配至八個子儲存格。一個 Gaussian 解碼器透過交叉注意力讀取相同的 latent，並為每個錨點輸出 32 個 Gaussian，預測位置偏移、色彩、縮放、旋轉與不透明度。因此，262,144 個 Gaussian 需要 8,192 個錨點。輸出密度在解碼時受到控制；它不是 latent token 數量，也不是網格細分層級。解碼器。

去噪器包含 370.6M 個參數，兩個解碼器約包含 288.1M 個參數，因此這些核心元件合計約為 0.66B。若包含影像編碼器與背景移除，完整請求約包含 1.80B 個參數。SDK 會返回 splat、處理後的輸入影像與預測的相機參數。GPU 最佳化會編譯去噪器並批次處理條件與無條件傳遞，第一次生成時還會產生額外的啟動成本。元件統計與執行時間。

應用、可用性與未來方向

輸出適合用於以 splat 為基礎的物件預覽、互動式展示，以及影像轉 3D 生成實驗。Gaussian PLY 並不是封閉的可列印表面、多邊形 CAD 實體或自動綁定骨架的角色。隱藏表面是推測而來，而非實際測量。SDK 與權重以 Apache-2.0 授權標示發布，而所需的 DINOv3 與 FLUX.2 編碼器元件則需要另外取得受限存取權，並遵循其適用條款。發布與存取需求。

本次評測使用官方研究頁面、模型卡片與 SDK 提交版本 4702a7f，並於 2026 年 11 月 6 日進行查核。在這些材料中未找到獨立的技術論文或明確的 Idol 專屬未來工作路線圖。檢視過的儲存庫提供推論功能與示範，因此其內部內容無法證明任何未公開的訓練配方。本文未重新執行模型推論或基準測試。