GaussianCube

把3D高斯塞进立方体，让生成模型直接吃，又快又稳

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 24 🐛 待处理 14 👀 关注 11

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 427

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，代码公开，可自行部署使用，无收费计划。

项目预览

GaussianCube 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GaussianCube

官网地址https://gaussiancube.github.io

GitHubhttps://github.com/GaussianCube/GaussianCube

定价模式🏷️完全免费

价格说明开源项目，代码公开，可自行部署使用，无收费计划。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

主要语言Python

技术栈/模型3d-gaussian-splatting,3d-generation,generative-model,optimal-transport

GitHub 星标★ 427

上线时间2024-03-25 00:00:00

代码更新2024-12-10

仓库体积106 KB

本站数据更新2026-11-07

维护状态低维护

收录时间2026-08-09

浏览次数6

项目介绍

GaussianCube 是 NeurIPS 2024 提出的结构化显式辐射场表示方法，旨在解决 3D 生成建模中隐式表示（如 NeRF）速度慢、显式表示（如点云）缺乏结构的问题。它通过将 3D 高斯分布重排为规则立方体网格，使数据具有规则结构，从而可直接用于标准卷积或 Transformer 等生成模型。核心能力包括：支持高效的前向渲染（无需光线追踪）、与主流生成架构无缝集成、在多种 3D 生成任务（如无条件生成、类别条件生成）上达到 SOTA 质量。项目提供完整训练和推理代码，基于 PyTorch 实现，适合研究 3D 生成、辐射场压缩和实时渲染的开发者。

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 ★ 427

技术标签

3d-generation generative-model

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GPU 5 步

环境要求

NVIDIA GPU（显存 16GB 起）
CUDA 11.8+
C++ 编译工具链

安装与启动步骤

1拉仓库

论文官方实现，三维生成相关。

git clone https://github.com/GaussianCube/GaussianCube.git

2建环境装依赖

按 requirements 装，注意 CUDA 与扩展库版本。
3装两个必须的加速库

缺一个都会在编译扩展时失败。
```
pip install nerfacc
```
4装可微渲染库

这个要从源码装，编译耗时长。
```
pip install git+https://github.com/NVlabs/nvdiffrast
```
5跑一次生成

先用仓库给的小样例验证链路。