Synthesize3DviaDepthOrSil

从多视图深度图或轮廓，一键生成3D形状

这是一个2017年CVPR论文的开源实现，用于通过多视图深度图或轮廓图来生成和重建3D形状。项目核心是训练一个生成对抗网络（GAN）和变分自编码器（VAE）模型，输入多视角的深度图或轮廓，输出对应的3D体素模型。它解决了从2D图像序列恢复3D结构的问题，核心能力包括3D形状生成、重建以及多视图表示学习。项目使用Lua和Torch框架，提供了训练和测试代码，以及预训练模型。虽然年代较早，但作为3D深度学习领域的早期工作，对理解多视图3D重建和生成方法有参考价值。

开源 free 数字人3D

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 170

维护状态低维护

是否开源是

定价模式 free

项目数据

分类数字人3D

开发团队Amir-Arsalan

所属国家

官网地址http://openaccess.thecvf.com/content_cvpr_2017/papers/Soltani_Synthesizing_3D_Shapes_CVPR_2017_paper.pdf

GitHubhttps://github.com/Amir-Arsalan/Synthesize3DviaDepthOrSil

定价模式free

价格说明开源项目，MIT许可证，可自由使用和部署，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Lua

技术栈/模型2d-3d,2d-to-3d,3d,3d-generation,3d-reconstruction,3d-shapes,computer-vision,deep-learning,depth-maps,generative-models,perception,reconstruction,representation-sharing,silhouette,torch,variational-autoencoder

GitHub 星标★ 170

30天Star增速

HF 下载量

上线时间2017-03-09 00:00:00

最近更新2026-06-16 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

提供CVPR论文官方实现，算法可靠
支持深度图和轮廓两种输入模式，灵活
包含预训练模型，可直接测试效果

不足之处

基于Lua/Torch，环境配置复杂
代码和依赖较老，现代环境兼容性差
文档/社区待观察

适用场景

学术研究：复现论文实验
3D重建教学示例
早期3D生成模型对比基线

替代项目

Pix2Vox、3D-R2N2、Occupancy Networks

项目介绍

Synthesize3DviaDepthOrSil 是计算机视觉领域的开源项目，由 Amir-Arsalan 开发，2017 年首次发布。

它收录于计算机视觉分类，该分类目前共有 446 个项目，GitHub 星标数为 170。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-06-16。MIT许可证，可自由使用和部署，无付费版本。

它主要面向的使用场景是：学术研究：复现论文实验。同类可对比的替代方案包括 Pix2Vox、3D-R2N2、Occupancy Networks。

上一篇：LiDARCrafter

下一篇：HandX