Speridlabs Idol：单张图像生成 3D Gaussian Splat

Idol 所针对的空白，正是通常需要多视角重建的那一类：你只有对象的单张图片，却想要能旋转的东西。Idol 移除背景、框定对象、编码图像，并直接采样一组高斯。输出可在任何 Gaussian splat 查看器中打开，模型还会在旁边写出它实际看到的裁剪输入，以及一个 JSON 格式的预测相机。

图库中的一个对象。项目页面上的每个示例都从单张图像开始。

带两个解码器的小型扩散栈

Idol 的生成核心是一个 370.6M 参数的 diffusion transformer、一个 50.8M 参数的八叉树解码器（决定高斯分布在哪里）和一个 237.3M 参数的高斯解码器（预测高斯属性），总计 0.66B 参数。围绕它还有三个辅助模型：用于背景移除的 BiRefNet、作为图像编码器的 DINOv3 ViT-H+/16，以及 FLUX.2 VAE，使整个请求约为 1.80B 参数。

卡片给出的总计约为 3.7 至 4.4 GB 权重、7.2 GB 峰值，这正是该模型能跑在 10 GB 显卡上而非数据中心 GPU 上的原因。

食物和小物件是图库覆盖的分类之一，与家具和角色并列。

细节是一个可调旋钮，而非固定预算

高斯数量是一个运行时参数，范围从 32,768 到 1,048,576，以 32 为倍数，默认 262,144。在项目页面上，同一盏灯在 32,768 设置下为 0.4 MB，在 1,048,576 时为 12.2 MB，因此同一对象既可以是粗模，也可以是最终资产。另外两个设置会影响结果：默认 50 个采样步数，以及一个改变裁剪在对象周围留出多少空间的模式，synthetic 用于渲染图和生成图像，real 用于照片。

更快的采样在 GPU 上默认开启，在相同质量下约快 1.7 倍：去噪器用 torch.compile 编译，引导与非引导传递作为单个批处理运行，注意力使用 cuDNN 和 TF32 矩阵乘法。进程中的第一张图像需要承担编译成本。

角色和生物出自同一套流程，没有单独的模型路径。

基准测试与耗时

卡片在单块 H100 上以 262,144 个高斯将 Idol 与 TripoSplat、TRELLIS 和 LGM 对比，用 PSNR、SSIM、LPIPS 和 IoU 评估输入视角，用 DINOv2、CLIP 和清晰度距离评估七个新视角。

LGM 保持了最高的 PSNR，但结果明显模糊，卡片将此归因于 PSNR 对像素误差的平方取平均。

在消费级显卡上，同样的请求在 RTX 5090 上耗时 14.1 秒，在 RTX 4090 上 19.1 秒，在 RTX 3080 上 46.2 秒。卡片中“低于 2 秒”的说法在它自己的表格里没有对应行，其中最快的条目是 B300 在 262,144 个高斯下的 3.4 秒，因此请把表格作为参考，把低于两秒的说法视为最佳情况，已公布的数字无法复现。

细薄结构和半透明是 splat 解码器的难点，它们与家具一同出现在图库中。

可用性

Idol 以 Python 代码形式发布，而非 ComfyUI 节点。idol-sdk 包需要 Python 3.10+、PyTorch 2.5+ 以及带 CUDA 的 NVIDIA GPU，通过 pip install -e . 安装。权重（约 3 GB）加上两个编码器会在首次运行时从 Hub 下载。两个编码器都是受限（gated）的：facebook/dinov3-vith16plus-pretrain-lvd1689m 必须在 Hub 上接受条款，而 black-forest-labs/FLUX.2-dev 仅使用其 VAE，因此在首次生成之前需要 hf auth login 或 HF_TOKEN。

单张图像可从命令行运行，照片使用 --mode real：

python -m idol.sample --image photo.jpg --mode real
python -m idol.sample --image renders/ --mode synthetic --out outputs

目前还没有官方 ComfyUI 集成。社区节点 Nynxz/ComfyUI-Idol 为 ComfyUI 封装了相同的权重，而 HF Space 演示则在浏览器中运行该模型。