如何用一张图片生成 3D 模型：决定结果的四个选择
图生 3D 预测的是相机没拍到的那部分几何。本文说明照片怎么准备、单视图与多视图引擎如何取舍、一分钟内怎么判断网格质量，以及按正确比例导出。
在大多数 AI 3D 项目里，找参考图是最慢的一步，也是最没人提前规划的一步。你需要某个具体物件的正视图、平光、前面没有任何遮挡。而图库给你的是相似物品的 3/4 视角照片，单侧打光，画面里还伸进来一只手，授权范围是否覆盖商用还得逐条去读。
这篇教程按读者真正会问的四个问题展开：什么样的图才算能用的 3D 参考图、该用哪个图像引擎、提示词怎么写、多视图怎么保持一致。之后再讲图片之后的事，包括 Open3DAI 在这条管线里的位置，以及哪些工作仍然该交给 Blender。
为什么生成的参考图胜过翻图库
图库是为挑氛围的人准备的，不是为需要几何信息的重建步骤准备的。好卖的照片往往是 3/4 视角、浅景深、强主光、环境杂乱，而这些恰好掩盖了图生 3D 必须靠推断补出来的信息。你真正需要的那张，通常没人愿意拍：正对镜头、光照均匀、物件完整在画面内、背景干净。
自己生成还能顺带解决授权问题。托管图像服务按张计费，典型价格从不到一美分到几美分；本地扩散模型在 12–24 GB 显存的显卡上，一张图大约几秒到半分钟。代价在于生成图本质上是一种解读：它不会贴合已经存在的实物，遇到看不懂的结构还会悄悄替你重排。
问题一：什么样的图才算能用的 3D 参考图？
参考图里的错误会被后面每一步继承。图生 3D 引擎依靠明暗、剪影，以及多视图管线中各视图之间的视差来估计几何，所以一张深度关系含糊的图，结果不是“照片不好看”，而是形状错了。下面五点最关键。
- 单一主体，尽量占满画面。画面里出现两个物件，回来常常是一坨连在一起、中间带蹼的形状。
- 剪影可读。轮廓承担着姿态和比例信息，影子读不出形状，重建就没有可对齐的依据。
- 平光、均匀光。强方向光会被烤进基础色里，模型分不清哪是画上去的明暗、哪是材质本身的颜色。
- 背景干净。中灰好过布景影棚；背景杂乱时，先用 rembg、BiRefNet 或 SAM 这类分割工具处理一遍再上传。
- 机位正对。正交投影，或者等效 85 mm 左右及以上的长焦，能让平行边保持平行；广角会把边散开，重建的几何也跟着散。
| 目标产物 | 需要生成的视角 | 光照与背景 | 分辨率与格式 |
|---|---|---|---|
| 3D 打印手办 | 一张正视图，必要时加一张侧视图 | 均匀平光，中灰背景，不要投影 | 1024–1536 px，PNG |
| 游戏资产 | 正面、侧面、背面，机位距离一致 | 中性影棚光，纯色背景 | 1024 × 1024 或更大，PNG |
| 贴图来源 | 一张正对表面的视图 | 均匀光照，不要高光反射 | 长边 1024 px，PNG |
| 角色转面图 | 正面、左右侧面、背面，高度固定 | 平光，连续纯色背景 | 整套图保持相同宽高比 |
问题二：该用哪个图像引擎？
判断标准是：引擎是否照字面执行机位指令，以及能不能复现同一张图。拉开差距的有四点：模型对视角和光照措辞的服从程度、能否固定种子复现同一个主体、能否用控制通道（深度、Canny、姿势）把几何钉住，以及许可条款允许的商用范围。
| 路线 | 最擅长 | 视角可控程度 | 注意事项 |
|---|---|---|---|
| 遵从提示词的文生图服务（FLUX.1、Imagen、DALL·E 一类） | 按字面执行“正交正视图、平光” | 只能靠提示词措辞 | 版本、许可和价格常变，以厂商页面为准 |
| Midjourney | 角色有设计感 | 风格参考与角色参考参数，无法精确指定机位 | 商用条款随订阅档位和公司规模变化 |
| ComfyUI 中的 SDXL 或 SD 1.5 加 ControlNet | 把视角钉在灰模或深度图上 | 深度、Canny、线稿、姿势控制 | 需要 GPU，通常 8–24 GB 显存，配置耗时 |
| 编辑类模型（Gemini 2.5 Flash Image 一类） | 把已选定的一张图改成其他角度 | 在已有图像上执行编辑指令 | 编辑会漂移，每张都要与第一张比对 |
| Blender 等 DCC 渲染灰模 | 各视图天生互相吻合 | 完全正交控制 | 前提是先做出灰模 |
以下是我的编辑判断，不是测量结果：如果只要一张主参考图，能照字面执行提示词的文生图模型加固定种子最快，因为它确实会按“正交正视图、平光”来画。要做成套的转面图，走 ComfyUI 加 ControlNet 更稳，代价是要花一个晚上配置。Midjourney 在设计感上仍然最强，但它的参数调的是风格和主体，不是精确机位。
什么情况下 DCC 渲染仍然更好
如果物件已经有粗略版本，就在 Blender 里做个带正交相机的灰模，材质用纯漫反射，按 1024 px 渲染正面、背面和两个侧面。深度通道交给 ControlNet，表面细节交给图像模型。这要多花一小时建模，但它是唯一能让各视图天生互相吻合的路线，而不是靠运气。
问题三：怎么写出可用的参考图提示词？
- 主体与数量：“单个哑光陶土花园地精，居中”。一定要写“一个”，画面里出现两个主体，回来就是一坨粘连的网格。
- 视角与机位：“正交正视图，正对镜头，与视线等高，长焦，无透视畸变”。
- 构图：“物件完整在画面内，四周留出均匀余量，不要裁切”。
- 光照：“均匀漫射平光，柔和环境补光，无阴影，无高光反射”。
- 表面：“哑光素色表面，颜色统一，无贴花，无细密纹理”。
- 背景与输出：“纯中灰背景，方形 1024 × 1024 图像”。
负面提示词，以及真正值得调的参数
在这类工作里，负面提示词比一般图像创作更重要。把它们加进去：景深、模糊、戏剧化布光、运动模糊、水印、签名、文字、杂乱背景、一图多视角、裁切。正面方向上，有四个参数真正影响结果：现代流匹配模型的引导系数大致 4–7，较老的 SDXL 管线更接近 6–8；步数 20–30；找到满意主体后固定种子；以及模型训练过的分辨率，例如 1024 × 1024，直立人物用 896 × 1152。直接生成 2048 px 很少有用，因为多数图生 3D 管线在推理前会把输入缩放到长边大约 512–1024 px。
问题四：多视图怎么保持一致？
多视图输入只有在各视图描述的是同一个物件、只是角度不同时才有价值。不一致不会互相抵消，重建会把它们解成弯掉的肢体和掐细的躯干。三个习惯能让一套图保持连贯：固定种子只改视角措辞；把第一张满意的图交给编辑模型改出其他角度；或者所有角度都从同一个灰模加深度通道生成。
- 先定下正视图，后面每一张都拿它当基准比对。
- 每次只改一个变量。提示词、种子、重绘幅度都会改变结果，同时改两个就很难判断问题出在哪。
- 各视图中物件的大小和高度保持一致，否则深度估计对尺寸的判断会自相矛盾。
- 尽量按 90° 递进。3/4 视角对人眼友好，却给重建留了一个需要猜的姿态。
- 要有大量废图的准备：一套匹配的四视图，通常要生成几十张，而不是四张。
从参考图到网格：导出前要检查什么
在 Open3DAI 里，参考图进入图生 3D 生成；手上有多个角度时可以走多视图输入。同一张图可以送到已接入的各个引擎跑一遍，导出前并排比较结果。AI 贴图在同一条流程里完成，文件可以按 GLB、glTF、OBJ、STL、PLY、3MF 导出，也可以用 REST API 做脚本化批量处理。它做不到的事也很明确：它不是扫描仪，不做摄影测量；不做绑定、动画、重拓扑和 UV 展开；也不产出 CAD 级别的参数化实体。把每个网格都当成起点：在 Blender 的 3D-Print Toolbox 或 Meshmixer 里查非流形边和过薄的壁，FDM 配 0.4 mm 喷嘴时壁厚留在 0.8–1.2 mm，比例自己设定，因为生成图里不含任何比例信息。
引擎可用性、积分价格和第三方许可条款都会变化，上一季度最好用的图像模型，可能已被替代或调价。下预算之前，先到厂商页面核对。
在 Open3DAI 中试一下
把同一份提示词或图片交给多个引擎，并排对比网格，然后导出 GLB、glTF、OBJ、STL、PLY 或 3MF。注册即赠免费积分，无需信用卡。