3D Gaussian Splatting（3DGS）是当下3D生成最热的表示形式——渲染快、质量高、直接可用。但用稀疏体素做image-to-3DGS生成时，一直有个让人头疼的问题：输入图片里的高频细节，生成出来总是糊的。

6月23日，arXiv上的一篇新论文FLUX3D直指这个问题，并给出了系统性的解决方案。论文声称在生成质量上全面超越当前所有SOTA方法。

两个老瓶颈

FLUX3D的核心发现是：现有方法丢细节不是网络不够大，而是两个结构性瓶颈在作怪。

第一个：表征瓶颈。 现有方法用判别式2D特征（比如DINO、CLIP提取的）来构建稀疏体素潜变量。这些特征天生为语义抽象优化——擅长区分"这是猫还是狗"，但对重建线索（纹理、边缘、光影细节）不敏感。用语义特征去干重建的活，相当于让翻译官去画肖像。

第二个：跨模态对齐瓶颈。 生成阶段用标准Diffusion Transformer，但2D图像token是密集的，3D体素潜变量是稀疏的——两者维度和结构都不匹配。标准DiT没有有效机制来对齐这两种模态，结果就是生成出来的3DGS和输入图像"对不上号"。

FLUX3D的三板斧

FLUX3D不是一个trick，而是一套从表征学习到生成对齐的完整方案。

DA-SLAT：换一种2D特征

论文重新审视了2D特征选择这个问题，提出Diffusion-Aligned Structured Latents（DA-SLAT）。核心思路：既然判别式特征压制重建线索，那就用扩散模型对齐的特征来构建3D表示。DA-SLAT搭配decoder-only架构，直接提升3DGS的重建保真度。

简单说：不是在语义空间里做3D，而是在生成空间里做3D。

SMDiT：稀疏结构感知的扩散Transformer

SMDiT（Sparse-structure Multimodal DiT）是专门为稀疏体素+密集图像这种跨模态场景设计的扩散架构。它能感知3D体素的稀疏结构，在去噪过程中同时处理2D和3D两种模态的信息。

MARoPE：模态感知的位置编码

这是最巧妙的一个设计。标准旋转位置编码（RoPE）对2D和3D用同一套编码方式，但2D图像是规则网格，3D体素是稀疏的——空间结构完全不同。MARoPE（Modal-Aware Rotary Positional Embedding）给不同模态用不同的位置编码策略，实现"几何无关"的2D-3D对齐。也就是说，不管3D体素怎么稀疏分布，2D和3D的信息都能正确对上。

效果如何

论文在多个benchmark上做了实验，结论是：

• 外观保真度大幅提升，输入图片的高频细节（纹理、文字、细小结构）在3DGS输出中得到更好保留
• 全面超越所有当前SOTA方法（包括Trellis、Hunyuan3D、Sparc3D等一众强手）

对谁有用

• 3DGS生成研究者：DA-SLAT和MARoPE的思路可以迁移到其他3DGS生成框架
• 3D内容创作者/游戏开发者：image-to-3DGS质量提升意味着从参考图生成3D资产的可用性更高
• Gaussian Splatting生态：3DGS作为表示格式正在快速普及，生成质量的提升直接推动下游应用

需要注意的

• 论文目前处于arXiv预印本阶段，未看到代码或模型开源的明确信息
• 论文未报告推理速度和计算成本，实际部署可行性还需验证
• "全面超越SOTA"的声明基于论文自测benchmark，第三方复现尚待观察

---

*基于arXiv论文摘要及公开信息整理，来源：[arXiv:2606.24874](https://arxiv.org/abs/2606.24874)*

参考来源

• https://arxiv.org/abs/2606.24874

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。