厦门大学和腾讯合作的最新论文《FlashWorld: High-quality 3D Scene Generation within Seconds》获得了海内外的广泛关注，在当日 Huggingface Daily Paper 榜单位列第一，并在 X 上获得 AK、Midjourney 创始人、SuperSplat 创始人等 AI 大佬点赞转发。

FlashWorld 不仅将三维场景的生成在单卡上做到了 5～10 秒（相比之前方法提速百倍），更统一支持了单张图片或文本输入，生成的场景可以在网页用户端实时渲染，同时质量还胜过其他同类闭源模型。

主页 ：https://github.com/imlixinyang/FlashWorld-Project-Page
Github：https://github.com/imlixinyang/FlashWorld
Huggingface Demo：https://huggingface.co/spaces/imlixinyang/FlashWorld-Demo-Spark
论文：https://arxiv.org/pdf/2510.13678

目前，作者们还提供了 Huggingface 上的免费 Demo 可以试玩。我们迫不及待地进行了尝试，并且在同一个输入下与 WorldLabs 的 Marble 和前两天发布的 RTFM 模型比较了一下：

从左至右：FlashWorld，Marble，RTFM

可以看到 FlashWorld 在预设轨迹下可以产生非常稳定、完整且高质量的渲染结果，生成速度比 Marble 的快速模式快 5 倍，而且完全通过前端渲染，不需要像 RTFM 一样需要等待连接后端 GPU 才能使用。

这是怎么做到的呢？

FlashWorld 动机

虽然现在视频模型成为了世界模型的主流，但其负载大的特点难以让每个人都能在自己的设备上进行体验。因此，FlashWorld 选择了基于 3DGS 为场景输出形式的技术路线，这也是为什么 FlashWorld 生成的结果可以在本地网页端实时渲染。

在传统生成 3DGS 场景的方法中，大约分为了两类：

一种是以多视角为中心的方案，代表方法为 CAT3D，Wonderland 等。它们使用了先通过扩散模型生成多视角图像或视频，再通过三维重建得到 3DGS 的两步框架。然而，因为使用的扩散模型往往会生成视角不一致的结果，这类方案容易产生杂乱的纹理细节。

另一种则为以三维为中心的方案，代表方法为 Director3D，DiffusionGS 等。它们把 3DGS 作为中介，直接用于多视角的去噪流程中。但因为场景数据相机标注往往不够准确以及模型知识不够强的问题，这类方案容易产生模糊的渲染效果。

FlashWorld 的核心，简而言之，就是用把 以多视角为中心的教师模型 通过蒸馏损失提升 以三维为中心的学生模型 的视觉质量，这样既保证了理论上的多视角一致性，又不断促使模型接近真实场景的图像质量，顺带地，还极大减少了去噪步数。

视频为单图到三维场景生成效果，从左到右依次为同一个网络架构在 MV 模式、3D 模式，以及 FlashWorld 提出的跨模式蒸馏结果。

FlashWorld 方法

FlashWorld 包含了两个训练流程：

1. 双模式预训练：基于视频扩散先验，训练一个同时支持 以多视角为中心（MV）/ 以三维为中心（3D） 双模式输出的多视图扩散模型。

2. 跨模式后训练：以 MV 模式为教师、3D 模式为学生，进行分布匹配蒸馏，兼顾高保真与 3D 一致。

FlashWorld 还利用了分布匹配蒸馏不需要 Ground Truth 的特性，将随机的图像、文本和轨迹组合成分布外的输入进行训练，进一步提升学生模型对各种场景、风格、轨迹的泛化能力。

实验效果

FlashWorld 在各种任务上进行了充分全面的实验和对比。包括：

图生三维场景（最上一行为 FlashWorld 结果）：

FlashWorld 竟然成功地生成出了整齐的栅栏（左上），这在以往的工作中几乎是不可能的。

文生三维场景（最上一行为 FlashWorld 结果）：

FlashWorld 对于毛发这些细粒度的细节也有着非常好的生成能力，这在密集视角的重建中可能都是非常困难的问题，而 FlashWorld 竟然只需要输入文本。

Feifei Li 团队 WorldScore Benchmark（最左列为 FlashWorld 结果）：

可以看到，FlashWorld 对于场景风格、语义和三维性也保持得非常好。

文生三维场景定性指标：

FlashWorld 在该 Benchmark 下以最快的速度领先与其他方法。

WorldScore 定性指标

FlashWorld 在该 Benchmark 下以最快的速度下获得了最高的平均分。

FlashWorld 还可以在只需要 RGB 监督的情况下自然学到深度信息：

对卡通风格的场景也手到擒来（文内所有图均为 3DGS 渲染结果）：

快速体验

FlashWorld 还开源了基于 SparkJS 的交互式 Demo，并可以在 Huggingface Spaces 上进行免费体验。

体验地址：https://huggingface.co/spaces/imlixinyang/FlashWorld-Demo-Spark

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com