stable-virtual-camera
输入一张照片，AI 生成绕其旋转的 3D 一致视角视频
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
输入一张照片，AI 生成绕其旋转的 3D 一致视角视频
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下这个场景：你用手机随手拍了一张客厅的照片，然后对 AI 说："给我生成一段视频，就像我绕着这个客厅走一圈看到的那样。" 听起来像是科幻电影里的情节——但 Stable Virtual Camera（SEVA） 正在把这件事变成现实。
2025 年 3 月，Stability AI 联合牛津大学和 UC Berkeley 发布了这个重磅项目。它是一个基于扩散模型（Diffusion Model）的通用视图合成（Novel View Synthesis, NVS）模型，可以根据任意数量的输入视角，生成 3D 一致的新视角图像和视频。项目在 GitHub 上线后迅速获得超过 1600 颗星，并被 ICCV 2025 接收。
核心能力速览：
图1：SEVA 在不同场景下的生成效果对比，展示了与其他主流 NVS 方法的量化性能差异。 图片来源：项目官方 GitHub 仓库。
在说 SEVA 之前，有必要先理解"视图合成"这个问题的本质挑战。
当你从不同角度看同一个物体时，画面会发生复杂变化：被遮挡的部分会重新出现、光影会随视角变化、纹理细节会因透视关系而扭曲。传统方法（如基于几何重建的 Multi-View Stereo）在以下两个场景中表现挣扎：
大视角跳变（Large Motion）： 想象从正面看一辆车和从侧面看它——这需要模型"推理"出正面看不到的侧面细节。纯几何方法在视角差距超过 30° 时，重建质量会急剧下降。
时序一致性（Temporal Consistency）： 如果逐帧生成多视角图像，相邻帧之间可能出现抖动、闪烁或几何不一致——就像一个不太会画画的画家，每画一笔都要重新观察对象。
行业此前的主流方法分为两类：
基于几何的方法（如 NeRF、MVS）：在视角差距小时效果惊艳，但大跳变时重建失败，且需要精确的相机位姿估计。
基于生成式的方法（如 ZeroNVS、S rendr）：能处理大视角跳变，但时序一致性差，视频容易出现"鬼影"或几何失真。
SEVA 的论文指出了一个关键洞察："大视角跳变"和"时序一致性"在现有方法中是相互矛盾的——要么牺牲视角范围保一致性，要么牺牲一致性保视角范围。SEVA 的核心贡献，就是用扩散模型的强大生成能力同时解决这两个问题。
SEVA 采用了"生成式视图合成"的路线，其核心理念是：不追求精确恢复 3D 几何，而是让扩散模型"想象"出新视角应该长什么样——就像人类闭上眼睛也能想象从侧面看一个物体的样子。
项目官方将此描述为"Generalist Diffusion Model for NVS"（通用的 NVS 扩散模型）。模型被训练为可以接受任意数量的输入视图和任意目标相机位姿，输出对应的合成视图。这种设计让 SEVA 不需要针对特定场景调优，真正实现了"通用"。
从 seva/ 目录的代码结构来看，模型主要由以下几个模块组成：
SGMWrapper（主模型封装）： 这是扩散模型的核心推理入口。它负责加载预训练的 Stable Diffusion 权重，并通过条件控制机制注入相机位姿信息。
DiscreteDenoiser（离散去噪器）： 扩散模型的采样过程需要多步迭代去噪。SEVA 使用了离散化的去噪器设计（num_idx=1000），将连续的去噪过程离散为 1000 个步骤，在质量和速度之间取得平衡。
AutoEncoder（自编码器）： 输入图像首先通过自编码器压缩到隐空间。SEVA 使用了专门训练的自编码器（seva/modules/autoencoder.py），将 576×576 的 RGB 图像压缩为隐变量表示，大幅降低扩散模型的计算量。
CLIPConditioner（CLIP 条件器）： 除了相机位姿，模型还接受图像-文本条件的指导。这个模块（seva/modules/conditioner.py）将输入图像和文本描述编码为 CLIP 特征，注入到扩散模型的各层中，保证生成内容与输入图像的语义一致性。
Dust3rPipeline（深度/位姿估计）： 这是 SEVA 依赖的第三方预处理模块（seva/modules/preprocessor.py），来自巴黎文理研究大学（PSL）的 DUSt3R 工作。当用户输入单张图像时，系统使用 Dust3R 自动估计相机位姿和深度图，为扩散模型提供几何先验。
Geometry 模块（seva/geometry.py）： 负责相机几何计算，包括相机内外参矩阵、预设轨迹生成（轨道、螺旋等）、视角插值等。这使得用户可以指定复杂的相机运动路径。
SEVA 模型的训练细节在论文中有详细描述（arXiv:2503.14489）。训练使用了大规模的多视角数据集，模型规模为 13 亿参数（v1.1），在 576P 分辨率下运行。v1.0 到 v1.1 的重要改进是修复了前景物体偶尔与背景分离的问题。
| 模块 | 技术选型 | 说明 |
|---|---|---|
| 深度学习框架 | PyTorch >= 2.6.0 | 核心依赖 |
| 扩散模型库 | Diffusers | HuggingFace 生态 |
| 图像编码 | Open-CLIP | 图文多模态条件 |
| 3D 预处理 | DUSt3R | 深度/位姿估计 |
| 相机几何 | 自研 + Splines | 轨迹插值 |
| 前端界面 | Gradio 5.17.0 | Web UI |
| 模型分发 | HuggingFace Hub | 权重托管 |
| 3D 可视化 | Viser | 相机轨迹实时可视化 |
如果你不想折腾命令行，最简单的方式是运行 Gradio 演示界面：
git clone --recursive https://github.com/Stability-AI/stable-virtual-camera
cd stable-virtual-camera
pip install -e .
python demo_gr.py
运行后，终端会输出一个本地 URL（通常是 http://localhost:7860），在浏览器中打开即可看到一个交互式界面。界面上提供了预设的示例图像，包括汽车、花园、实验室场景等，你可以直接体验一键生成环绕视频的效果。
对于进阶用户，Gradio 界面还支持上传自己的图像、调整相机轨迹类型（轨道、螺旋等）、控制生成帧数等参数。
CLI 模式提供更精细的控制，适合科研人员做基准测试。核心命令格式：
python demo.py --data_path <图像路径或目录> [其他参数]
demo.py 中实现了多种任务模式：
CLI 模式还支持使用 Dust3R 自动估计相机位姿，无需手动标定——这大大降低了上手门槛。
项目的 Python 包名为 seva，通过 pip install -e . 安装后可以 import：
from seva.model import SGMWrapper
from seva.utils import load_model
model = load_model(device="cuda:0")
具体用法可以参考 demo.py 和 demo_gr.py 中的完整实现。
SEVA 是一个 13 亿参数的扩散模型，推理需要大量显存。根据官方要求和建议：
项目明确不支持 Windows 原生环境（Flash Attention 不兼容），建议 Windows 用户使用 WSL2。
SEVA 的模型权重托管在 HuggingFace 上（stabilityai/stable-virtual-camera），需要完成两步认证：
huggingface-cli login 登录 HuggingFace 账号这意味着项目不是完全"开箱即用"的——你需要有网络连接能访问 HuggingFace，且需要拥有一个 HuggingFace 账号。
| 维度 | 评分 | 说明 |
|---|---|---|
| 环境配置 | 中等 | Python >= 3.10 + PyTorch >= 2.6.0，依赖较多 |
| 硬件要求 | 高 | 必须有 NVIDIA GPU，8GB+ 显存 |
| 模型获取 | 需认证 | HuggingFace 需登录 + 申请访问 |
| Web UI | 支持 | Gradio 界面开箱即用 |
| 容器化 | 无 | 无 Dockerfile，需手动搭建环境 |
综合来看，对于有深度学习经验的开发者，部署难度适中；但对于普通爱好者，有一定的门槛。
这是 SEVA 目前最大的限制。项目明确说明，模型输出的内容遵循与模型相同的非商业许可（Stability AI Community License）。也就是说，用 SEVA 生成的视频不能用于商业目的。
扩散模型本质上是在"猜测"看不见的部分。对于纹理复杂、遮挡严重的场景，生成的视图可能出现幻觉细节（hallucinated details）——比如在一面本应是空白墙的地方"长出"了窗户。SEVA v1.1 对前景物体脱离背景的问题做了修复，但corner case 仍然存在。
目前项目只开源了推理代码，训练脚本未公开（团队在 GitHub Issue #27 中解释过原因）。对于学术研究者来说，无法直接复现或在自己的数据上微调模型是一个遗憾。
在 RTX 3090 上，单次生成 21 帧 576P 视频大约需要几分钟到十几分钟不等（取决于输入图像数量）。这个速度对于交互式应用来说还不够流畅。Torch 2.6 Nightly 版本支持 torch.compile() 编译加速，但并非所有用户都能获取 nightly 版本。
SEVA 的发布在 3D/4D 生成领域引发了不小关注。在此之前，主流的 3D 内容创建工具（如 NeRF、Gaussian Splatting）更偏向精确重建，依赖大量输入视角；而纯生成式方法又难以保证 3D 一致性。SEVA 证明扩散模型可以成为连接"生成"与"3D 一致性"的桥梁。
从更大的视角看，SEVA 代表了"3D 内容生成的民主化"趋势：过去需要专业设备和多视角图像采集才能创建的 3D 场景，现在只需一张照片。这对于游戏开发、VR/AR 内容创作、电影预演等场景都有潜在价值。
SEVA 被 ICCV 2025（国际计算机视觉大会）接收，这是计算机视觉领域最顶级的学术会议之一。论文的 reviewers 对其在无界视角合成（unbounded NVS）任务上的性能给予了肯定。论文的官方 GitHub 页面链接了 arXiv 预印本和官方项目页面，方便学术引用。
SEVA 是 Stability AI 在 2025 年推出的一系列开源项目之一，与 Stable Diffusion 3、Stable Audio 等形成互补的产品矩阵。通过开源推理代码，Stability AI 吸引了大量开发者和研究者在其基础上进行二次开发（如 Issue #51 中社区成员 PR 的训练脚本），形成了良好的开源生态。
推荐使用 SEVA 的人群：
不适合的使用场景：
SEVA 的出现让我们看到，AI 对"3D 空间理解"的能力正在快速提升。虽然它还不是完美的工具——商业限制、速度瓶颈、幻觉问题都真实存在——但它的开源精神和在学术/产业界引起的话题度，都证明了它是一个值得关注的项目。如果你在探索 AI 生成 3D 内容，SEVA 值得加入你的工具箱。
图2：Stability AI 官方机构头像。 项目由 Stability AI 主导，联合牛津大学 VGG 实验室和 UC Berkeley BAIR 共同研发。