近日，由南洋理工大学、加州理工学院、西湖大学、加州大学、牛津大学、南京大学、香港大学、剑桥大学、哈佛大学及麻省理工学院等全球顶尖高校与科研机构组成的联合团队，发布了一项关于三维视觉重建技术的前沿研究。该系统全面梳理了前馈模型在三维重建与视图合成领域的应用进展，深度剖析了点云、三维高斯溅射（3DGS）、神经辐射场（NeRF）等底层表示架构的技术特性。
传统三维重建技术如运动恢复结构（SfM）长期依赖场景专属优化流程，需通过特征点匹配、三角测量等步骤耗时数小时甚至数天完成建模。2020年出现的NeRF技术虽能生成高质量新视图，但其神经网络模型仍需针对每个场景单独训练，无法直接迁移至其他场景。2024年诞生的3DGS技术通过微小高斯球体显式构建场景，显著提升了渲染速度，但泛化能力不足的问题尚未解决。
研究指出，前馈模型通过单次前向传播实现三维重建的技术突破，正在重构计算机视觉、虚拟现实（VR）及数字孪生等领域的技术范式。这类模型通过海量数据训练获得通用能力，可直接从少量二维图像推断三维场景结构，其处理速度较传统方法提升了数个数量级，为机器人实时感知、交互式三维内容创作等应用开辟了新路径。
在技术实现层面，研究详细解析了前馈模型的演进路径。针对NeRF模型的泛化改进中，PixelNeRF开创性提出条件NeRF框架，通过动态调整输入图像特征实现跨场景预测；CodeNeRF进一步引入全局潜在码编码场景特征；MVSNeRF则借鉴传统多视图立体匹配技术，构建三维成本体积提升几何预测精度。大型重建模型LRM采用三平面表示架构，结合Transformer实现端到端三维特征解码，展示了大规模型在通用重建中的潜力。
点云表示领域，DUSt3R模型通过回归像素对齐的点位图，统一了单目与双目重建流程，甚至可在无相机参数条件下工作。后续改进如MASt3R引入局部特征匹配提升精度，Fast3R设计全局融合Transformer处理多视图输入，Spann3R与MUSt3R则通过内存机制实现视频序列的渐进式三维表示更新。
针对3DGS技术的即时生成需求，研究区分了预测高斯图与预测高斯体积两条技术路径。前者如Splatter Image通过U-Net从单图预测像素对齐的三维高斯，GRM与Flash3D分别利用大规模数据先验与深度预测器提升重建质量；后者如LaRa构建三维特征体积后重建高斯分布，Triplane-Gaussian则探索三平面表示降低计算成本。多视图辅助方法MVSplat通过成本体积构建显著提升了高斯定位精度。
在经典三维表示领域，研究关注了网格、占据及符号距离函数（SDF）等方向的技术突破。Pixel2Mesh通过变形初始网格匹配输入图像轮廓，扩散模型驱动的One-2-3-45与Wonder3D分别实现多视图一致性网格生成及法线图辅助重建。Any-Shot GIN与SparseNeuS则实现了从图像到占据表示及SDF的前馈预测。
研究特别指出，跳过显式三维表示的直接视图合成方法正成为新热点。场景表示变换器（SRT）通过Transformer编码器-解码器结构直接输出目标视角像素颜色，Zero-1-to-3通过修改文生图扩散模型实现单视角新视图合成，ReconX等视频扩散模型则利用隐式三维结构知识生成多视图一致序列。
技术评估显示，前馈模型在无姿态重建、动态场景处理等任务中展现出独特优势。基于Pointmap的模型可同步恢复相机参数，降低三维内容创作门槛；快速推理能力使其适用于运动人物捕捉、自动驾驶场景理解等动态场景。但研究同时指出，当前技术仍面临多模态数据融合不足、极端条件泛化能力有限、高分辨率输入计算成本高等挑战。
