PAPER READING · 2023 · FRAMEWORK

threestudio

把扩散指导的三维生成，拆成可组合的研究工具。

threestudio: a modular framework for diffusion-guided 3D generation

AI3DCC @ ICCV 2023 · Non-Archival Workshop Publication
6 幅原图 · 2 张完整设计表 · 数学解读与复现审计

01 / 身份与版本

这是一篇介绍可组合研究框架的六页短论文，不是一项提出全新 score distillation 目标的算法论文，也不是大规模统一评测。主文第 1–4 页，参考文献第 5–6 页；没有独立附录、编号数学公式或定量性能表。共有 6 幅图和 2 张方法组件设计表，下文全部覆盖。

论文作者顺序：Ying-Tian Liu、Yuan-Chen Guo、Vikram Voleti、Ruizhi Shao、Chia-Hao Chen、Guan Luo、Zixin Zou、Chen Wang、Christian Laforte、Yan-Pei Cao、Song-Hai Zhang。机构为 Tsinghua University、Stability AI、Tencent AI Lab、ARC Lab, Tencent PCG。† 表示部分工作在腾讯实习期间完成，不是共同一作或通讯作者标记。第一作者为 Ying-Tian Liu；没有明确通讯作者标记，Song-Hai Zhang 仅作为末位作者候选。原文 p.1

书目信息需要区分：AI3DCC @ ICCV 2023 的 accepted-papers 页面把本文列在 Non-Archival Workshop Publications 下。不能称为 ICCV 2023 主会论文或默认拥有正式 proceedings DOI。原笔记内软件仓库 BibTeX 的标题 “A unified framework for 3D content generation”、作者起始顺序及 Zi-Xin 拼写，与本 PDF 不同；原笔记逐字保留，修正建议另列。

固定 PDF SHA-256：b5f853bf3d927838049c7e3e2a2fbec2c12d5938185b7bb579c7bb5bc87862b5。清华官方 PDF 与原文件逐字节一致。代码审计固定为 28d9d80d9d00f308244adfcf3be8b17ca0cb6465（2024-12-16）；历史上下文为 8a51c37317b6f7cd74bb3cb24c975b56d0a96703（2023-08-28），后者不是作者确认的实验 release。

阅读标记：Paper Verified 指原文列出或图中实际呈现；Author Claim 指作者评价；Our Interpretation 指数学和工程解释；Research Extension 指尚未被本文验证的设想。以下所有补充公式都属于解释，原论文没有编号公式。

02 / 研究缺口与贡献

DreamFusion 证明了二维扩散先验可以在测试时指导三维场景优化。后续方法分别改善几何、纹理、多样性、速度和图像条件，但实现分散在不同代码库。替换 guidance 时常同时改变相机、初始化、表示与正则，难以判断收益来自哪里。threestudio 填补的是方法组合与实验比较的基础设施缺口。原文 p.1

四项原则各有对象：Modular 是同阶段换组件；Extensible 是添加新组件；Flexible 是串联不同 pipeline；Configurable 是用一个配置文件控制模块和超参数。它降低集成成本，却不自动保证任意两个组件兼容、优化稳定或实验公平。

核心假设是不同方法共享“采样观察条件 → 可微渲染 → 二维先验给出梯度 → 更新场景”的骨架。把变化点显式化，可以保留一个方法的形状优势，同时借用另一个方法的纹理策略。代表案例是 TextMesh geometry 接 ProlificDreamer geometry / texture。

贡献主要是接口抽象、开放实现、跨方法组合与实践经验。本文没有提出新三维训练集、graph grammar、tokenizer 或语言模型推理策略；也没有证明一组组件组合普适最优。

03 / 输入、输出与数学对象

Our Interpretation：下面的统一记法帮助理解接口，不是作者新增理论。

对象含义
\(y\)文本 prompt，或源图像与相对相机条件
\(c=(K,T),\ell\)相机内外参及可选光照；决定优化观察分布
\(\theta=(\theta_g,\theta_m,\theta_b)\)待优化的几何、材质与背景参数；阶段之间可能冻结或转换
\(G,M,B,R\)几何、材质、背景与可微渲染器
\(\phi,\psi\)预训练扩散参数与 VSD 中可训练适配器参数
\(t,\epsilon\)扩散时间步与高斯噪声；不同于三维优化迭代步数
\[x=R(G_{\theta_g},M_{\theta_m},B_{\theta_b};c,\ell)\]

单次前向生成的是一张渲染图像，而不是完整三维资产。反复更新的对象是共享场景参数，条件文本或图像提供监督。输出可以是连续场，或经表面提取与纹理烘焙导出的 mesh。“优化完成”和“可直接用于 DCC 的高质量 PBR 资产”不是同一验收标准。

\[\theta^{\ast}=\operatorname*{arg\,min}_{\theta}\mathbb{E}_{c,\ell}\left[\mathcal{L}_{\mathrm{guide}}(R_{\theta}(c,\ell),y,c)+\lambda_{\mathrm{reg}}\mathcal{L}_{\mathrm{reg}}(\theta,c)\right]\]

这是概念性目标。SDS 常直接指定梯度，而非给出可跨对象比较的显式 likelihood loss。相机分布控制哪些表面受到约束；正则控制漂浮密度、法线和平滑性。图像任务通常还要对已知视角 RGB / mask 作重建监督。

框架没有统一“总参数量”：每对象场景参数与外部预训练先验必须分别计算。Zero-1-to-3 在 Objaverse 上的模型训练不是 threestudio 对一张输入图像执行的优化。前者学习通用先验，后者是 test-time optimization。

04 / 七个模块的数据流

原论文 Figure 1
Figure 1 · 原论文图 先跟踪相机射线进入 Geometry，再看 features / normal 进入 Materials，最后由 Renderer 合成前景与背景。Guidance 的反馈通过可微链更新场景。 原文 p.2
模块输入 → 输出关键选择与耦合
Data Synthesizer范围 / 策略 → 相机、射线、光照elevation、azimuth、distance、FOV 共同控制所见面和尺度
Geometry空间坐标 → 密度 / SDF、特征、法线implicit density、implicit SDF、density grid、SDF grid、mesh
Renderer场景和相机 → RGB / opacity / depth / normalNeRF 配密度；NeuS / VolSDF 配 SDF；表面配 rasterizer
Material特征、法线、观察 / 光照 → 前景颜色Albedo Only、Diffuse、Neural Radiance、PBR
Background方向 → 背景颜色小网络、显式纹理环境图、常量颜色
Diffusion Guidance渲染与条件 → 更新信号SDS / SJC / VSD；SD / IF / Zero-1-to-3 等先验
Prompt Processor文本和相机 → 条件嵌入匹配 backbone；视角后缀、PerpNeg、Prompt Debiasing

七个模块不是可任意排列的黑盒。Renderer 要支持 geometry 的数据结构；material 要拿到所需法线与特征；prompt encoder 要与 diffusion backbone 一致。system 层还负责损失与阶段控制：即使组件表相同，不同正则和 schedule 也会产生不同算法行为。原文 p.2

背景环境图按射线方向返回颜色，不必等价于照亮物体的环境光；神经 radiance 能拟合外观，不必满足物理能量约束。接口分离不等于已经实现几何、光照、材质的可辨识分解。框架支持 PBR 也不意味着全部管线输出可重光照材质。

05 / 表示转换与分阶段优化

原论文 Figure 2
Figure 2 · 原论文图 正文重点是先用 implicit density / SDF 获得粗形状，再转到 SDF grid，以高分辨率网格渲染继续优化。不能把图理解为所有表示之间无损、任意双向转换。 原文 p.2

密度场在空间采样点预测非负密度，再沿射线积分。早期可以连续形成形状，但高分辨率需要大量采样，密度也未必对应干净表面。SDF 用零等值面定义几何；四面体 SDF grid 在格点保存标量并提取三角网格，以支持较高分辨率 rasterization。

\[\mathcal{S}=\{\mathbf{p}\mid s_{\theta_g}(\mathbf{p})=0\},\qquad\mathbf{n}(\mathbf{p})=\frac{\nabla_{\mathbf{p}}s_{\theta_g}(\mathbf{p})}{\|\nabla_{\mathbf{p}}s_{\theta_g}(\mathbf{p})\|_2+\varepsilon}\]

数学补充：零等值面用于表面提取，法线用于着色、normal 渲染与正则。\(\varepsilon\) 防止数值除零；实际实现可以选择解析或有限差分法线。该式不是本文提出的新定义。

粗到细的动机是早期探索形状，后期把预算集中在表面与纹理。转换并非免费：阈值、包围盒、分辨率、离群组件处理和外观初始化都影响输出；坏粗形状可能被局部优化继续保留。

TextMesh–ProlificDreamer：原文串的是 TextMesh geometry → ProlificDreamer geometry → ProlificDreamer texture，并不再跑 ProlificDreamer coarse。前者借 SDF / NeuS 获得紧凑形状，中间细化网格，末阶段用 VSD 丰富纹理。特定组合的逐例完整运行日志与对应 paper commit 未给出。

06 / SDS、VSD 与梯度路径

Our Interpretation：原论文只命名 SDS / SJC / VSD。这里解释其共同接口和固定版本实现，不声称是本文的原创公式。

\[z=\mathcal{E}(x),\qquad z_t=\alpha_t z+\sigma_t\epsilon,\qquad\epsilon\sim\mathcal{N}(0,I)\]

latent diffusion 先经 VAE encoder \(\mathcal{E}\) 编码，再按 scheduler 加噪；像素空间先验则可直接处理图像。\(\alpha_t,\sigma_t\) 取决于 scheduler，时间步百分比不能直接当作噪声标准差。

\[\widehat{\epsilon}_{\phi}=\epsilon_{\phi}(z_t,t,\varnothing)+s[\epsilon_{\phi}(z_t,t,y)-\epsilon_{\phi}(z_t,t,\varnothing)]\]

Classifier-free guidance 以尺度 \(s\) 加强条件方向。不同先验与算法采用的量级不同；增大不一定提高质量，也可能造成过饱和和偏置。

\[\nabla_{\theta}\mathcal{L}_{\mathrm{SDS}}\approx\mathbb{E}_{t,\epsilon,c}\left[w(t)(\widehat{\epsilon}_{\phi}(z_t,t,y_c)-\epsilon)\frac{\partial z}{\partial x}\frac{\partial x}{\partial\theta}\right]\]

\(y_c\) 是相机相关条件，\(w(t)\) 是时间权重。扩散先验给出去噪残差，经过 encoder 与可微 renderer 回传场景。SDS 常不反传 U-Net Jacobian，因而不同于端到端训练扩散网络。共享三维参数产生跨视角耦合，但二维先验仍可能偏好各个视角都是正面，导致 Janus。

\[\mathcal{L}_{\mathrm{surrogate}}=\frac{1}{2B}\|z-\operatorname{stopgrad}(z-g)\|_2^2\]

实现可将指定的 latent 梯度 \(g\) 包装成代理 loss，使对 \(z\) 的导数为 \(g/B\)。它的数值不是几何准确率或真实扩散似然；batch 归一化、梯度 clipping 与数值清理均影响有效更新。

\[\nabla_{\theta}\mathcal{L}_{\mathrm{VSD}}\approx\mathbb{E}\left[w(t)(\widehat{\epsilon}_{\phi}(z_t,t,y)-\epsilon_{\psi}(z_t,t,y,c))\frac{\partial z}{\partial\theta}\right]\]

VSD 的简化对照式用当前生成分布的预测项替换 SDS 中的采样噪声；常通过相机条件 LoRA 学习该项，所以有场景更新与 adapter 更新两条过程。这里省略粒子分布理论，不把单实例实现冒充完整推导。SJC 是另一套 score 与渲染参数关联的估计策略，并非替换一个 loss 名称即可保持其他细节不变。

Prompt Processor 按相机附加 front / side / back / overhead view；PerpNeg 和 Prompt Debiasing 用于抑制错误视角语义。本文只陈述集成，不提供完整 prompt 清单、逐项消融或 Janus 成功率。没有 LLM system prompt、top-p、beam search 等设置；这里应关注扩散步采样、相机采样和 CFG。

07 / Table 1：文本到三维的完整设计表

MethodStageGeometryRendererMaterialDiffusion Guide
DreamFusion*—Implicit Density FieldNeRF RendererDiffuseDeepFloyd-IF (SDS)
LatentNeRF—Implicit Density FieldNeRF RendererAlbedo OnlyStable Diffusion (SDS)
SJC—Density GridNeRF RendererAlbedo OnlyStable Diffusion (SJC)
Magic3D*CoarseImplicit Density FieldNeRF RendererDiffuseDeepFloyd-IF (SDS)
Magic3D*RefineTetrahedra SDF GridNVDiff RasterizerDiffuseStable Diffusion (SDS)
Fantasia3DGeometryImplicit SDFNVDiff Rasterizer—Stable Diffusion (SDS)
Fantasia3DTextureTetrahedra SDF GridNVDiff RasterizerPBRStable Diffusion (SDS)
ProlificDreamer*CoarseImplicit Density FieldNeRF RendererAlbedo OnlyStable Diffusion (VSD)
ProlificDreamer*GeometryTetrahedra SDF GridNVDiff Rasterizer—Stable Diffusion (SDS)
ProlificDreamer*TextureTetrahedra SDF GridNVDiff RasterizerAlbedo OnlyStable Diffusion (VSD)
TextMesh*GeometryImplicit SDFNeuS RendererDiffuseDeepFloyd-IF (SDS)

全部 11 个方法 / 阶段行已重建。* 按 2023 原表保留，表示当时未发布代码、由作者复现；不说明这些项目今天的发布状态。“—”按原表保留。原文 p.4

DreamFusion 行采用 DeepFloyd-IF，不等同原 DreamFusion 闭源先验的完全复刻。Fantasia3D geometry 的 “Implicit SDF + NVDiff Rasterizer” 按原文保留；rasterizer 需要表面，不能理解为直接把连续 SDF 当成三角形。ProlificDreamer coarse / texture 用 VSD，geometry 用 SDS；PBR 仅在 Fantasia3D texture 行出现。

原文明说表格不覆盖正则和噪声退火等详细策略。因此六列不能当作完整可复现配置，也不能解释所有视觉差异。

原论文 Figure 3
Figure 3 · 原论文图 两条 prompt 为茅草顶小屋和陶土花盆中的小仙人掌。列比较 Ours、Magic3D、DreamFusion。展示组合管线的视觉可行性，不提供统计显著性或公平预算的结论。 原文 p.3

Paper Verified：实际展示两个 prompt 的比较。Author Claim：组合产生 promising results。Review：这不是大规模 benchmark；少量选择性示例不能证明普遍优于其他方法。预训练先验、分辨率和预算是潜在混杂因素。

08 / Table 2：图像条件生成与原表纠错

MethodStageGeometryRendererMaterialDiffusion Guide
RealFusion—NeRF Renderer [原表如此]Implicit Density Field [原表如此]Albedo OnlyStable Diffusion (SDS)
Zero-1-to-3—NeRF Renderer [原表如此]Implicit Density Field [原表如此]Albedo OnlyZero-1-to-3 (SDS)
原表 Geometry / Renderer 数据填反。上表忠实保留并标注。按模块语义应解释为 Geometry = Implicit Density Field，Renderer = NeRF Renderer；其余四列不变。不能悄悄修改原表后假装没有错误。原文 p.4

Zero-1-to-3 输入源图像与源 / 目标相对位姿，其先验来自在 Objaverse 图像上微调 Stable Diffusion。threestudio 利用该新视图先验指导三维 SDS / SJC 优化，而不是独立生成若干图像后简单拼接。RealFusion 采用文本扩散先验路线，两者的条件结构不同。原文 p.3

原论文 Figure 4
Figure 4 · 原论文图 threestudio 的 Zero-1-to-3 管线与 RealFusion、3DFuse、Make-It-3D 比较。后三者不必全部出现在 Table 2；设计表和视觉对比的范围不同。单张输入的隐藏面本来就不唯一。 原文 p.3
\[\mathcal{L}_{\mathrm{ref}}=\lambda_{\mathrm{rgb}}\|R_{\theta}(c_{\mathrm{ref}})-I_{\mathrm{ref}}\|_2^2+\lambda_{\mathrm{mask}}\|A_{\theta}(c_{\mathrm{ref}})-M_{\mathrm{ref}}\|_2^2\]

Implementation / 数学概括：参考图监督保持已见面，随机视角 guidance 填充未知面。\(A_\theta\) 为 opacity，\(M_{\mathrm{ref}}\) 为前景 mask。代码可选深度和法线监督，但不能默认每个配置开启。

“5 分钟、单张 A100 40GB”是特定 Zero123 SDS 配置的作者报告，没有样本数、多次均值、方差或完整计时边界；不能当作所有对象和硬件的速度保证。原文说视觉质量优于 SJC，但没有提供量化指标表。

09 / 参数观察，而非完整消融

原论文 Figure 5
Figure 5 · 原论文图 输入图像对应的两次生成分别假设 elevation 10° 与 0°，作者评价 10° 更好。它不是源相机自动估计方法，也不能证明 10° 普遍最优。 原文 p.4

源相机误设会系统性改变所有目标相对视角条件，导致三维参数必须折中不一致的图像约束，可能引起顶面、轮廓和透视变形。合理改进是估计或搜索源视角，而非硬编码示例参数。这是机制解释，不是本论文的额外实验。

原论文 Figure 6
Figure 6 · 原论文图 上排为初始渲染的带噪图像，下排为一步预测 clean image。噪声标签保留在原图；它不是完整优化后的质量-速度曲线。 原文 p.4

正文建议初期提高噪声，最小 noise level 从 0.7 退火至 0.2，最大保持 0.98。合理解释是高噪声弱化坏初始化细节，后期低噪声稳定细化，但时间步比例不等于噪声标准差。原文 p.4

缺少相同 seed 的多对象比较、固定噪声 baseline、不同退火长度与初始化的因子实验。因此 Figure 5 / 6 应叫定性参数观察。仓库快照的噪声 schedule 还与正文不同，复现不能混用后再声称完全遵循论文。

10 / 论文与代码：固定快照审计

只读审计包括 git 对象、哈希与 AST 解析，没有安装仓库依赖、加载权重或运行模型。审计快照 28d9d80d9d00f308244adfcf3be8b17ca0cb6465 的文件列表保存在 code-audit.json；它是较晚代码，不代表 2023 论文实验设置。

Zero123 设置2023 论文历史快照 O审计快照 H
源 elevation示例比较 10° / 0°默认 0°默认 5°
总 steps未给400600
最小噪声比例0.7 → 0.20.4 → 0.2，200 steps 完成同历史
最大噪声比例固定 0.980.85 → 0.5，200 steps 完成同历史
速度5 min / A100 40GB无受控计时记录无受控计时记录

O = 8a51c37317b6f7cd74bb3cb24c975b56d0a96703，H = 28d9d80d9d00f308244adfcf3be8b17ca0cb6465。这些是版本漂移证据，不足以判断论文错误，也不能确定哪个提交生成了 Figure 4。历史版本只是靠近 PDF 创建时间的祖先，不是作者明确提供的 paper release。默认角度与示例最佳角度不同也并不矛盾。

11 / 配置级复现清单

Implementation H：以下来自固定快照配置，不能伪装成论文原文超参数。原文没有统一 train / val / test split、对象数量、模型参数量、optimizer、学习率或完整种子集合。Zero123 的 Objaverse 先验训练也不是此框架的新训练集贡献。

Zero123 项目固定快照设置
输入和模型示例 hamburger_rgba.png；zero123-xl.ckpt；sd-objaverse-finetune-c_concat-256.yaml
几何网络implicit-volume；radius 2.0；HashGrid 16 层、每层 2 features、log2 hashmap 19、base resolution 16；MLP 64 neurons / 2 hidden layers
密度初始化softplus，blob_magic3d，scale 10.0、std 0.5
相机elevation −10°–80°；azimuth −180°–180°；distance 3.8，FOV 20°
随机视图分辨率 64 → 128 → 256；batch 12 → 4 → 2；milestones 200 / 300
参考视图分辨率 128 → 256 → 512；milestones 200 / 300
渲染与材质NeRF volume；512 samples/ray；diffuse-with-point-light；ambient_only_steps 100000
guidanceCFG 3.0；min [0,0.4,0.2,200]；max [0,0.85,0.5,200]
损失SDS 0.1；RGB 500；mask 50；normal smooth / 3D normal smooth 各 8；orient 1；sparsity / opaque 各 0.1
关闭监督depth、relative depth、normal 权重均为 0
优化器Adam，lr 0.01，betas 0.9 / 0.99，eps 1e−8
运行600 steps，16-mixed；每 100 steps 保存；seed 0
评估30 validation views、120 test views；是相机数，不是测试对象数

来源：zero123.yaml。ambient-only 阈值远大于总步数，不能只看到 material 类型便声称进行了复杂点光源物理材质拟合。

配置 / 阶段图像与先验优化器 / 学习率steps / precision
TextMesh geometry64² batch 1；SDF / NeuS；IF-I-XL-v1.0；CFG 20Adam；encoding .01，其余主要参数组 .001；eikonal 100010000 / 16-mixed
ProlificDreamer coarse64² → 512² 于 5000；SD 2.1 base + SD 2.1 LoRA；VSD CFG 7.5AdamW；encoding .01；density/feature/background .001；guidance .000125000 / 32
ProlificDreamer geometry512² batch 1；tetrahedra grid 128；SD2.1-base SDS CFG100Adam .005；normal consistency / Laplacian 各1000015000 / 32
ProlificDreamer texture512² batch 1；fix_geometry true；VSD CFG7.5AdamW；encoding .01；feature/background .001；guidance .000130000 / 32

配置来源：TextMesh、coarse、geometry、texture。IF 的 XL、Zero123 XL 和 SD base 是各自模型族名称，不是统一的 base / large 对照实验。几何和纹理阶段的 geometry_convert_from 需要实际前阶段产物，不能保留占位值直接运行。

  1. 固定 commit、依赖、GPU、驱动、权重来源 / 哈希，保存全部配置覆盖项
  2. 保存 prompt、negative prompt 和视角后缀；图像任务保存 crop、mask、相机角度与尺度
  3. 先验证已知视角与坐标 convention，排除左右 / 上下 / 前后翻转
  4. 保存阶段转换前后的表面、阈值、包围盒、分辨率和拓扑统计
  5. 统一对象集合、多个种子与算力预算，包含失败样例
  6. 分开计时模型加载、预处理、优化、导出；检查多视角、重光照和网格可用性

未执行上述训练。配置是可复现起点，不是已经重现 Figure 3 / 4 的证明。没有提供停止条件之外的 reranking、beam search 或 agent retry，不应自行补写。

12 / 结论与证据强度

论点证据支持范围不支持的延伸
模块可组合Fig.1、Table1–2多条管线的统一表达任意组合天然兼容
跨方法组合Fig.3 两个 prompts视觉可行性普遍最优或显著提升
单图三维生成Fig.4 对比展示条件生成结果隐藏面真实准确
源 elevation 重要Fig.5 10° / 0°一个案例的敏感性通用最优角度
早期噪声策略Fig.6 一步 denoising先验对初始化的作用完整训练因果消融
快速优化A100 40GB 5 min 陈述特定配置作者报告所有硬件的时延保证
编辑与4D拓展第5节接口接入方向已完成全面4D评测

没有 FID、CLIP score、Chamfer、PSNR 或用户研究偏好率的定量主表，没有显著性、标准差或完整失败率。Table 1 / 2 的 “state-of-the-art” 是方法背景描述，不是排名。正文 comprehensive comparisons 指设计选择对照，不能扩写成全面性能测评。

统一代码框架让控制变量更容易，但不自动统一先验、分辨率、时间、相机和初始化。评价时应区分软件可用性、组件组合潜力、单个算法质量。图像的视觉细节也不能代替可导出 mesh 的拓扑和可重光照检查。

13 / 编辑、4D 与程序化材质

第 5 节提到 InstructPix2Pix 支持 InstructNeRF2NeRF 类编辑，ControlNet 支持 Control4D-Static 类编辑。D-NeRF、HexPlane、K-Planes、Tensor4D 等时间相关几何配视频扩散模型可以扩展 text-to-4D。重点是模块可扩展；本文没有另给完整4D实验、时序损失和速度表。原文 p.4

对程序化材质的意义：Material 是可替换着色接口，但本文不生成 Substance 图、SBSAR、shader program 或离散节点拓扑。PBR 参数与可编辑程序历史并不相同；albedo-only 输出也不能称为已经获得 roughness、metallic、normal 分解。

Research Extension：程序图执行器接入渲染闭环

固定几何，用可微程序图生成 PBR maps，经过多光照 renderer 接受图像条件或 diffusion guidance。连续节点参数可求梯度，离散拓扑需要搜索、枚举或其他可验证策略。还要检查图合法性、节点支持范围、周期性、贴图分辨率与执行失败率，框架本身不提供这些保证。

可检验实验应比较直接纹理参数、固定拓扑程序图、拓扑搜索三条路线，统一预算和输入；同时测量图像质量、跨光照一致性、节点数与编辑稳定性。只在固定光照下提升图像匹配，可能只是把阴影烘进 albedo，不代表材质恢复进步。

14 / Reviewer 评论

Strengths

  • 明确共同优化骨架与变化点，减少集成成本
  • 既支持同阶段替换，也支持跨表示、跨方法串联
  • 同时涵盖文本与图像条件，分清背景、材质、几何和 guidance
  • 给出容易忽略的相机与噪声实践提醒

Weaknesses

  • 创新主要在系统整合，理论新颖性有限
  • 定量评测和控制变量不足，样例选择偏差不明
  • 关键 schedule / regularization 未在短论文中完整报告
  • 版本漂移使可运行代码不等于论文重现
  • 几何真实性、隐藏面和物理材质缺少系统指标

优先改进是发布不可变 paper release、权重校验和全部输入 / seeds；统一对象与预算 benchmark；报告失败率及预处理、导出成本；为模块接口增加坐标系、形状、物理语义和阶段转换的契约检查。

更有因果意义的消融：固定全部组件只换 SDS / VSD；固定种子与场景只换 elevation；固定计算预算只换退火；测量表示转换前后的几何变化。只有隔离因素，才能从“方便组合”走向“知道为什么改善”。

结论：threestudio 把 diffusion-guided 3D 变成可组合、可检查的实验对象。最值得学的是模块契约和复现边界，而不是把一组默认参数当成已经被证明普适最优的答案。

15 / 来源与覆盖说明

  1. 清华官方 PDF：固定 SHA，与原文件一致；6 页、Figure1–6、Table1–2 全覆盖；无独立附录和编号公式
  2. 官方仓库；固定审计快照 H；历史上下文 O
  3. AI3DCC 2023 官方 accepted-papers 页面，本文列于 Non-Archival Workshop Publications；保留原页面作为身份证据
  4. 官方 poster 是补充说明，不能代替 PDF 或冒充附录定量实验

六幅原图从已核对的 PDF 提取。未发现完整图各自可靠的官方图片 URL，因此单文件内嵌优化 JPEG。两张原表重建为可选择文本；Table2 的列错误明确标注。补充公式使用 MathJax3，联网加载，不宣称完全离线数学渲染。

此版完成内容与静态检查。真实浏览器 MathJax、图片加载、导航、1440 / 760 / 390 px 布局按批次要求留待下载后验收。未部署、未写 Obsidian、未修改原笔记。