摘要：SF3D 是一个基于 TripoSR 的大型重建模型，能够接收单个物体的图片，并生成一个带有纹理的 UV 展开的 3D 网格资产。该模型在不到一秒钟内完成 3D 模型的创建，生成的资产多边形数量相对较低，适用于多种应用场景。此外，模型还能预测每个物体的材料参数
SF3D 是一个基于 TripoSR 的大型重建模型，能够接收单个物体的图片，并生成一个带有纹理的 UV 展开的 3D 网格资产。该模型在不到一秒钟内完成 3D 模型的创建，生成的资产多边形数量相对较低，适用于多种应用场景。此外，模型还能预测每个物体的材料参数（如粗糙度、金属性），从而增强渲染过程中的反射效果。
SF3D 使用了 Objaverse 数据集的渲染图进行训练。Objaverse 数据集在开放数据共同体归因许可证下可用，提供了大量高质量的 3D 对象渲染图。为了提高模型的泛化能力，开发团队采用了增强的渲染方法，使生成的图像更接近现实世界的分布。此外，根据许可证的审查，团队对对象进行了筛选，并策划了一个适合训练需求的子集。
下载源码下载源码
进入源码路径源码路径
修改源码（1）stable-fast-3d/sf3d/system.py 文件
11行去掉，并改成snapshot_download
导包依赖
from modelscope import snapshot_download修改下载模型的方式，用snapshot_download来下载，存储到当前路径stable-fast-3d/ 下
下载模型
model_dir = snapshot_download(model_id=pretrained_model_name_or_path, cache_dir="./")config_path = os.path.join(model_dir, config_name)weight_path = os.path.join(model_dir, weight_name)（2）修改 stable-fast-3d/sf3d/models/tokenizers/image.py
先把dinov2模型下载下来，Dinov2Model加载路径为模型缓存路径
Dinov2Model
model_dir = snapshot_download( model_id=self.cfg.pretrained_model_name_or_path, cache_dir="./")self.model = Dinov2Model.from_pretrained(model_dir)（3）修改stable-fast-3d/sf3d/models/image_estimator/clip_based_estimator.py
导包依赖
4.只需要修改上面三个位置可以运行了
!pip install -i requirements.txt!python run.py demo_files/examples/chair1.png --output-dir output/大功告成，无需GPU
来源：信息百宝囊
