CVPR 2025 Award Candidate | 英偉達等Difix3D+：用單步擴散模型修復 3D 重建偽影
在 3D 重建領域，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：視角一旦偏離訓練相機位置，圖像就容易出現模糊、鬼影、幾何錯亂等偽影，嚴重影響實際應用。
為了解決這個問題，來自英偉達的研究團隊聯合提出了一種創新方案 —— Difix3D+，通過單步擴散模型對 3D 渲染結果進行 “圖像修復”，顯著提升新視角圖像的質量和一致性。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（神經輻射場）和 3D Gaussian Splatting（3DGS）等技術在三維重建與新視角合成中取得突破。然而，在訓練相機視角之外，這些方法往往會出現模糊、鬼影、幾何錯亂等偽影，尤其在視角跨度較大、數據稀疏、光照變化或相機標定不準確的情況下尤為嚴重。這些偽影極大限制了其在自動駕駛、機器人、AR/VR 等真實場景中的應用。
這主要是因為傳統方法過度依賴局部一致性和 per-scene 優化流程，缺乏跨場景泛化能力，且無法有效填補觀測稀疏區域的 “空洞”。
關鍵洞察：2D 擴散模型為何能 “修好” 3D？
Difix3D+ 提出了一個突破性的視角：將預訓練 2D 擴散模型的視覺先驗引入 3D 渲染流程，將其作為 “圖像修復器”，精準去除神經渲染偽影。
這一設計基于一個關鍵觀察：神經渲染偽影的分布，與擴散模型訓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，但內容也嚴重變形
- 低噪聲（t=10）：圖像結構完整，但偽影幾乎未去除
- 中等噪聲（t=200）：在保留語義結構的同時，有效消除了渲染偽影
這一發現使得單步擴散模型成為 “修復” NeRF/3DGS 渲染圖的理想選擇，不僅效率高，而且具備泛化能力。
Difix 具備以下核心優勢：
1. 單步擴散：發現渲染偽影的分布在 t=200 處最接近擴散模型訓練數據，DIFIX 可一次去除偽影并保留語義結構。
2. 無需大量訓練：僅需在消費級 GPU 上訓練幾個小時，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 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，比傳統多步擴散快 10 倍以上。
5. 可進可退：修復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
DIFIX3D+ 以一個經過少量微調的單步擴散模型（DIFIX）為核心模塊，結合漸進式優化策略，構建出一個無需修改原始 3D 重建結構即可增強視覺質量的插件化系統。
核心三步流程：
Step 1：DIFIX 修復中間視角圖像。從訓練視角向目標視角進行插值采樣，生成中間視角圖，并用 DIFIX 去除偽影。
Step 2：蒸餾至 3D 表示。將修復后的圖像 “反向蒸餾” 回 3D 表示中，逐步提升建模質量與區域覆蓋度。
Step 3：推理時再修復。最終渲染出的圖像，再次通過 DIFIX 后處理，消除殘留細節錯誤，僅需 76ms，支持實時渲染。
實驗結果一覽：效果、指標全面領先
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。
