DreamCraft3D

上传一张图，秒变可交互的高质量 3D 模型

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署数字人3D 🍴 复刻 359 🐛 待处理 35 👀 关注 120

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 3042

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，完全免费，需自行部署使用。

项目预览

DreamCraft3D 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类数字人3D

开发团队deepseek-ai

官网地址https://mrtornado24.github.io/DreamCraft3D

GitHubhttps://github.com/deepseek-ai/DreamCraft3D

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，需自行部署使用。

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MIT

主要语言Python

技术栈/模型3d-creation,3d-generation,aigc,diffusion-models,generative-model,image-to-3d

GitHub 星标★ 3042

上线时间2023-10-23 00:00:00

代码更新2025-04-22

仓库体积67.8 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

DreamCraft3D 是一个由 ICLR 2024 收录的官方实现项目，专注于从单张 2D 图像生成高质量 3D 模型。它采用分层生成策略，结合引导扩散先验（Bootstrapped Diffusion Prior）与 3D 表示学习，解决传统 3D 生成中几何细节不足和纹理模糊的问题。其核心能力包括：通过扩散模型引导几何优化，提升形状保真度；利用视图合成和纹理细化，生成多视角一致的逼真外观；支持从任意输入图像（如照片、艺术画）重建可交互的 3D 资产。项目基于 Python 实现，依赖 PyTorch 等深度学习框架，提供训练和推理代码，适合研究者和开发者用于数字人、游戏资产、AR/VR 内容创作等场景。尽管处于早期阶段，但已在社区获得广泛关注，是 3D 生成领域的重要参考实现。

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 ★ 3042

技术标签

3d-generation aigc diffusion-models generative-model image-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：高级约 60 分钟部署方式：本地安装 5 步

环境要求

NVIDIA 显卡，显存至少 20GB
已安装 CUDA 驱动与工具包
Python >= 3.8
建议使用 virtualenv 虚拟环境（可选）

安装与启动步骤

1创建虚拟环境

README 建议（可选）创建并激活虚拟环境，隔离依赖；已有可用 Python 环境可跳过。
```
python3 -m virtualenv venv
. venv/bin/activate
```
2安装 threestudio

README 明确要求按 docs/installation.md 安装 threestudio，包含 Docker 安装方式；已装好可跳过，README 未给出具体命令。
3预处理输入图像

对输入图片去背景并生成深度图与法线图，--recenter 会把主体重新居中，结果供后续阶段训练使用。
```
python preprocess_image.py /path/to/image.png --recenter
```
4设置生成参数

README 示例用 shell 变量保存文本提示词与预处理后的 RGBA 图像路径；完整的多阶段训练命令在 README 中被截断，需参考官方仓库补全。
```
prompt="a brightly colored mushroom growing on a log"
image_path="load/images/mushroom_log_rgba.png"
```

5导出3D模型

用默认 mesh-exporter 配置导出 obj+mtl；请把 config 与 ckpt 路径替换为实际训练产物目录，gpu 按需修改。

python launch.py --config path/to/trial/dir/configs/parsed.yaml --export --gpu 0 resume=path/to/trial/dir/ckpts/last.ckpt system.exporter_type=mesh-exporter

关键配置

配置项	必填	说明	示例
`prompt`	是	生成用的文本提示词，指导扩散模型优化	`a brightly colored mushroom growing on a log`
`image_path`	是	预处理后输入图像路径，需为带透明通道的 RGBA 图	`load/images/mushroom_log_rgba.png`
`system.exporter_type`	是	导出器类型，mesh-exporter 默认导出 obj+mtl	`mesh-exporter`
`resume`	是	从训练产生的检查点恢复并导出模型	`path/to/trial/dir/ckpts/last.ckpt`
`--gpu`	否	指定使用的 GPU 编号，多卡时按需修改	`0`