GaussianCube

把3D高斯塞进立方体，让生成模型直接吃，又快又稳

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。

开源 free 数字人3D

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 428

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GaussianCube

所属国家

官网地址https://gaussiancube.github.io

GitHubhttps://github.com/GaussianCube/GaussianCube

定价模式free

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

是否开源是

开源协议

主要语言Python

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

GitHub 星标★ 428

30天Star增速

HF 下载量

上线时间2024-03-25 00:00:00

最近更新2026-09-04 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5

使用教程

核心亮点

结构化表示让 3D 生成可直接用标准 CNN/Transformer，无需特殊设计
渲染速度比 NeRF 快数个量级，支持实时交互
在多个生成基准上达到 SOTA，且代码开源可复现

不足之处

依赖预训练的高斯模型，端到端训练流程复杂
文档偏学术，上手门槛较高，社区示例较少

适用场景

3D 资产自动生成（如游戏、影视建模）
实时辐射场渲染与交互式编辑
3D 生成模型研究（如扩散模型、自回归模型）

替代项目

3D Gaussian Splatting、NeRF、GET3D

项目介绍

GaussianCube 是数字人3D领域的开源项目，由 GaussianCube 开发，2024 年首次发布。

它收录于数字人3D分类，该分类目前共有 272 个项目，GitHub 星标数为 428。

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 2026-09-04。代码公开，可自行部署使用，无收费计划。

它主要面向的使用场景是：3D资产自动生成（如游戏、影视建模）。同类可对比的替代方案包括 3D Gaussian Splatting、NeRF、GET3D。

上一篇：GeoDream

下一篇：GaussianAnything