待验证50% 置信事实精确时间
Google的DreamFusion（2022）利用预训练的2D扩散模型作为先验，通过Score Distillation Sampling（SDS）损失函数优化3D表征，无需任何3D训练数据即可生成三维物体
1
来源数
50%
置信度
长期有效
时效性
2026/8/31
首次发现
来源
涉及实体
相关事实
待验证将扩散模型扩展到3D有两种主流策略：Score Distillation Sampling（SDS）和直接在3D数据上训练扩散模型80% 相似待验证2023年多项学术研究证实，扩散模型可在特定提示词下近乎逐像素地还原训练集中的图像64% 相似待验证卡内基梅隆大学、谷歌DeepMind等团队2023年发表论文证实Stable Diffusion等扩散模型在特定提示词下可近乎完整重现训练集原始图像，某些案例重现率超过90%63% 相似待验证DreamerV3 是基于隐空间的世界模型，在压缩的潜在表示空间中进行预测，计算效率更高62% 相似待验证Stable Diffusion使用PyTorch进行图像生成模型训练62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/829534API
curl https://kongchang.com/api/v1/knowledge/claims/829534MCP
get_claim(id=829534)