stable-dreamfusion

一句话生成 3D 模型，从文本或图片到可导出网格

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 766 🐛 待处理 197 👀 关注 121

GitHub ↗

GitHub 星标 ★ 8877

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可免费使用和修改，需自行部署。

项目预览

stable-dreamfusion 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队ashawkey

GitHubhttps://github.com/ashawkey/stable-dreamfusion

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可免费使用和修改，需自行部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型dreamfusion,gui,image-to-3d,nerf,stable-diffusion,text-to-3d

GitHub 星标★ 8877

上线时间2022-10-06 00:00:00

代码更新2023-12-10

仓库体积17.1 MB

本站数据更新2026-11-11

维护状态低维护

收录时间2026-08-09

浏览次数6

项目介绍

stable-dreamfusion 是一个基于 NeRF 与扩散模型的开源 3D 生成工具，支持文本生成 3D、图像生成 3D 以及网格导出。它利用 Stable Diffusion 作为 2D 先验，通过分数蒸馏采样（SDS）优化 NeRF 表示，从而将文本或图像描述转化为可交互的 3D 模型。项目提供图形界面（GUI），方便用户直观操作。核心能力包括：从文本提示生成高质量 3D 资产、从单张图片重建 3D 模型、导出为常见网格格式（如 OBJ）以用于游戏或渲染。它解决了传统 3D 建模门槛高、耗时长的痛点，让创作者无需专业 3D 技能即可快速生成原型。项目代码基于 PyTorch，易于扩展和二次开发，适合研究者和开发者探索 3D 生成技术。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 8877

技术标签

gui image-to-3d nerf stable-diffusion text-to-3d

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 30 分钟部署方式：本地安装 5 步

环境要求

Python + PyTorch 环境（项目为 pytorch 实现）
带 CUDA 的 GPU（首次运行需编译 CUDA 扩展）
git 用于克隆仓库
bash 环境（需执行 scripts/install_ext.sh 脚本）
pip 用于安装依赖

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取源码并进入项目目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/ashawkey/stable-dreamfusion.git
cd stable-dreamfusion
```
2安装 Python 依赖

按 requirements.txt 安装全部 pip 依赖，建议先建好虚拟环境再执行。
```
pip install -r requirements.txt
```
3安装扩展模块

一键安装全部扩展模块（脚本式），这一步会编译 CUDA 相关扩展。
```
bash scripts/install_ext.sh
```
4手动安装 raymarching

若不想用脚本一键装，可手动安装 raymarching；README 说明这会把扩展装到 python 路径，但仍需保留 raymarching/ 目录。
```
pip install ./raymarching
```
5安装 cubvh

如需使用 --vram_O 降低显存占用，README 要求先安装 cubvh。
```
pip install git+https://github.com/ashawkey/cubvh
```

关键配置

配置项	必填	说明	示例
`--vram_O`	否	降低 stable-diffusion 的显存占用（需先装 cubvh）	`--vram_O`

如何确认成功

首次运行会先编译 CUDA 扩展，编译不再报错并进入 3D 优化流程即表示环境可用。

常见问题

Q：显存不够怎么办？

A：README 建议使用 --vram_O 参数降低 stable-diffusion 的显存占用，但需先安装 cubvh：pip install git+https://github.com/ashawkey/cubvh。

Q：cubvh 相关命令报错？

A：--vram_O 依赖 cubvh，按 README 先执行 pip install git+https://github.com/ashawkey/cubvh 安装。

Q：扩展模块能否单独手动安装？

A：可以。README 以 raymarching 为例：pip install ./raymarching，注意仍需保留 raymarching/ 目录。

Q：Windows 能直接跑吗？

A：README 提供的是 bash 脚本（scripts/install_ext.sh），建议在 Linux 环境或 WSL/Git Bash 等 bash 环境中执行安装步骤。

注意事项

项目仍处于 work-in-progress 状态，README 明确说明当前生成质量无法与原论文结果相比。
官方推荐关注 threestudio（threestudio-project/threestudio）以获得更新的实现与改进。
首次运行需要编译 CUDA 扩展，会比较耗时。
README 提供了 Instant-NGP 骨干（-O）与 Vanilla NeRF 骨干（-O2）两个 Colab notebook，无本地 GPU 时可优先用 Colab。