Feed-Forward 3D综述：三维视觉如何「一步到位」

在 3D 视觉领域，如何从二维图像快速、精准地恢复三维世界，一直是计算机视觉与计算机图形学最核心的问题之一。从早期的 Structure-from-Motion (SfM) 到 Neural Radiance Fields (NeRF)，再到 3D Gaussian Splatting (3DGS)，技术的演进让我们离实时、通用的 3D 理解越来越近。然而，以往的方法往往依赖于每个场景的反复优化（per-scene optimization），既慢又缺乏泛化能力。

然而，以往的方法往往依赖于每个场景的反复优化（per-scene optimization），既慢又缺乏泛化能力。在 AI 驱动的新时代，一个全新的范式正在崛起 —— Feed-Forward 3D。

这篇由 NTU、Caltech、Westlake、UCSD、Oxford、Harvard、MIT 等 12 所机构联合撰写的综述论文，主要总结了过去五年（2021–2025）间涌现的数百项创新工作，首次建立了完整的 Feed-Forward 3D 方法谱系与时间线。

论文标题：Advances in Feed-Forward 3D Reconstruction and View Synthesis: A Survey
论文地址：https://arxiv.org/abs/2507.14501
论文主页：https://fnzhan.com/projects/Feed-Forward-3D/

五大代表性技术分支

综述将所有 Feed-Forward 3D 方法划分为五类主流架构，每一类都推动了该领域的关键进展：

NeRF-based Models

Neural Radiance Fields (NeRF) 提出了体积渲染的可微分框架，但其「每个场景都要优化」的缺点导致效率低下。自 PixelNeRF [CVPR ’21] 起，研究者们开始探索「条件式 NeRF」，让网络直接预测辐射场。这一方向发展出多个分支：

1D 特征方法（如 CodeNeRF、ShaRF）
2D 特征方法（如 GRF、IBRNet、GNT、MatchNeRF）
3D 特征方法（如 MVSNeRF、GeoNeRF、NeuRay）

PointMap Models

这一分支由 DUSt3R (CVPR ’24) 引领，直接在 Transformer 中预测像素对齐的 3D 点云（pointmap），无需相机姿态输入。后续工作 MASt3R、Fast3R、CUT3R、SLAM3R、VGGT 等相继提出更高效的多视整合、长序列记忆机制，以及大场景处理能力等。

3D Gaussian Splatting (3DGS)

3DGS 是近年来最具突破性的表示之一，将三维场景表示为高斯点云，兼顾了体积渲染的质量与光栅化的速度。然而原始 3DGS 仍需优化。Feed-Forward 研究者通过引入神经预测器，实现了「直接输出高斯参数」的能力，主要方法包括：

Image-based Gaussian Map：如 PixelSplat、GS-LRM、LGM、FreeSplatter，实现从单张图像到高斯场的预测；
Volume-based Gaussian Representation：如 LaRa、GaussianCube、QuickSplat、SCube，将场景嵌入可学习体素或三平面结构中。

Mesh / Occupancy / SDF Models

这一类方法延续了传统几何建模思路，并与 Transformer 与 Diffusion 模型结合：

MeshFormer、InstantMesh、MeshGPT、MeshXL 引入可自回归或大模型结构；
SDF 方法（如 SparseNeuS、C2F2NeuS、UFORecon）结合体积感知与 Transformer 特征聚合，实现了高精度表面建模。

3D-Free Models

这类方法不再依赖显式三维表示，而是直接学习从多视图到新视角的映射。

Regression-based：如 SRT、OSRT、RePAST、LVSM，利用深度神经网络直接端到端拟合目标结果；
Generative Diffusion-based：以 Zero-1-to-3、SyncDreamer、MVDream、CAT3D、CAT4D 为代表，将图像或视频扩散模型迁移到三维生成领域。这些模型让「一张图生成整个场景」成为可能。