zero123

一张图，零训练，直接生成可旋转的3D模型

开源 🏷️完全免费 ✅ 目前可打开图像生成 🍴 复刻 220 🐛 待处理 61 👀 关注 41

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 3067

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，MIT许可证，可免费使用和部署。官网提供在线演示，无付费版本。

项目预览

项目数据

分类图像生成

开发团队cvlab-columbia

官网地址https://zero123.cs.columbia.edu

GitHubhttps://github.com/cvlab-columbia/zero123

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，可免费使用和部署。官网提供在线演示，无付费版本。

访问状态✅ 目前可打开

是否开源是

开源协议MIT

主要语言Python

技术栈/模型image-to-3d,novel-view-synthesis,single-view-reconstruction,stable-diffusion,zero-shot

GitHub 星标★ 3067

上线时间2023-03-17 00:00:00

代码更新2023-12-05

仓库体积40.2 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

Zero-1-to-3（简称zero123）是一个基于稳定扩散（Stable Diffusion）的零样本单图转3D物体生成框架，由哥伦比亚大学等机构在ICCV 2023提出。它解决的核心问题是：如何仅凭一张2D图像，无需针对特定物体训练，就能生成该物体的多视角新视图，并进而重建出3D模型。其核心能力包括：利用大规模预训练扩散模型学习物体的几何与外观先验，实现零样本的新视角合成；支持通过相机视角变化（如旋转、平移）控制生成视角；提供从单图到3D点云或网格的完整重建流程。项目代码基于Python和PyTorch，提供了推理和训练脚本，并支持与Stable Diffusion等模型集成。该工作为图像转3D领域提供了高效、通用的基线方案，显著降低了3D内容生成的门槛。

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 ★ 3067

技术标签

image-to-3d novel-view-synthesis stable-diffusion zero-shot

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：高级约 30 分钟部署方式：本地安装 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（项目基于 Python 与 PyTorch 开发）
带 CUDA 的 GPU 环境，用于运行 Stable Diffusion 系扩散模型
可访问 Hugging Face 以获取 zero123 预训练权重
足够的磁盘空间存放模型权重（含 Zero123-XL 等大体积文件）

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 zero123 源码到本地，README 中给出了官方仓库地址。
```
git clone https://github.com/cvlab-columbia/zero123.git
```
2进入项目目录

切换到刚克隆下来的仓库目录，后续操作都在此目录内进行。
```
cd zero123
```
3准备 Python 运行环境

README 未给出依赖清单与安装命令，请按仓库内实际文件（如 requirements 或环境配置文件）自行准备 PyTorch 等依赖。
4下载预训练权重

README 的 Weights 链接指向 Hugging Face 的 cvlab/zero123-weights 仓库，进入该页面按提示下载权重文件并放到本地目录。
5可选：在线体验 Demo

不想本地部署时，可直接打开官方 Hugging Face Space 单图生成多视角图，无需安装任何依赖。
6按官方 Usage 运行

README 的 Usage 章节给出实际运行方式，请以仓库中最新的 Usage 与 3D Reconstruction（SJC）章节说明为准。

如何确认成功

README 节选未给出启动命令与端口，无法本地验证；可打开官方 Hugging Face Live Demo 生成多视角图确认效果。

常见问题

Q：没有 GPU 可以运行吗？

A：README 未说明硬件门槛。项目基于 Stable Diffusion 扩散模型，通常需要 GPU；若仅想体验效果，可先用官方 Hugging Face Live Demo 在线生成。

Q：预训练权重在哪里下载？

A：README 的 Weights 链接指向 https://huggingface.co/cvlab/zero123-weights/tree/main ，进入该页面下载即可；此外 README 还单独给出了 Zero123-XL 权重链接。

Q：怎么做单图到 3D 的重建？

A：README 目录中包含 3D Reconstruction（SJC）章节，按该章节说明执行；也可参考 README 中提到的 Threestudio 集成方案。

Q：Zero123-XL 和原版有什么区别？

A：README 的 Updates 中提到发布了 Zero123-XL 权重以及配套的 Objaverse-XL 数据集，属于后续更大规模版本，具体用法以官方仓库说明为准。

注意事项

本次 README 节选中 Usage 章节内容为空，未提供任何安装与推理命令，因此步骤仅包含可从 README 推断的通用准备动作，confidence 为 low。
实际安装、推理与训练命令请以 GitHub 仓库最新 README 及脚本说明为准，避免照搬过期信息。
权重文件体积较大，下载前请确认磁盘空间与网络环境，Hugging Face 访问不畅时可考虑镜像。
官方提供在线 Live Demo，建议先用它验证效果，再决定是否本地部署。