sjc

用2D扩散模型直接生成3D，无需3D数据

sjc（Score Jacobian Chaining）是CVPR 2023提出的3D生成方法，核心思路是利用预训练的2D扩散模型（如Stable Diffusion）来优化3D表示（如NeRF），通过链式求导将2D扩散模型的分数（score）作为损失信号，引导3D场景从文本或图像生成。它解决了传统3D生成依赖大量3D数据的问题，只需2D预训练模型即可实现文本到3D的生成。核心能力包括：支持文本或单图驱动的3D生成、基于NeRF的隐式表示优化、无需3D监督。项目提供官方PyTorch实现，代码清晰，适合研究扩散模型与3D结合的入门参考。

开源 free 数字人3D

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 523

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pals-ttic

所属国家

官网地址https://pals.ttic.edu/p/score-jacobian-chaining

GitHubhttps://github.com/pals-ttic/sjc

定价模式free

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型3d-generation,diffusion-models

GitHub 星标★ 523

30天Star增速

HF 下载量

上线时间2022-12-02 00:00:00

最近更新2026-07-13 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4

使用教程

核心亮点

首次提出Score Jacobian Chaining，将2D扩散先验无缝用于3D优化，方法新颖
代码结构简洁，基于PyTorch，易于复现和二次开发
支持文本和图像条件，灵活度高

不足之处

生成速度慢，需大量迭代优化，单场景耗时较长
生成质量与DreamFusion等后续工作相比有差距，细节和一致性不足
文档/社区待观察

适用场景

学术研究：探索2D扩散模型在3D生成中的应用
快速原型验证：在无3D数据集条件下生成粗略3D形状
教学示例：理解扩散模型与NeRF结合的优化流程

替代项目

DreamFusion、Magic3D、ProlificDreamer

项目介绍

sjc 是数字人3D领域的开源项目，由 pals-ttic 开发，2022 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 523。

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 2026-07-13。无在线服务，需自行部署，完全免费。

它主要面向的使用场景是：学术研究：探索2D扩散模型在3D生成中的应用。同类可对比的替代方案包括 DreamFusion、Magic3D、ProlificDreamer。

上一篇：Hunyuan3D-Part

下一篇：GeoDream

sjc