Google 开源 PointDiT：极简纯 ViT 实现单目 3D 重建

CSProfKGD · x · 2026-08-25

Google Research 发布了 PointDiT (ICML 2026)，一种用于单目几何估计的像素空间扩散 Transformer。该项目完全开源，包含代码、预训练模型及完整的训练/评估管线。

PointDiT 的核心特点是其极简主义设计：直接在原始 patch 上操作，使用纯 ViT 估计密集 3D 点图。它不需要混合 ViT+Conv 架构、有损 VAE 或复杂的训练损失，仅通过条件化于冻结的预训练 DINOv3 图像 token 来实现去噪。