Apache 2.0 许可的多平台 3D 引擎，可免费开发 AAA 游戏、影视级 3D 场景和高保真仿真，无商业授权负担。

把生成模型里隐含的 3D 先验知识迁移到场景理解任务上，让视觉语言模型在空间推理时更懂三维结构。

用多尺度 3D VQVAE 把单张图片或文本自回归生成 3D 物体，同时支持 3D 理解，适合做图生 3D 和多模态 3D 研究。

从单张开放域图像估计深度、法线和相机参数的几何模型，CVPR'25 Oral 工作，可用于单目三维重建与场景理解。

从视频中估计相机位姿、深度和相机内参的 3D 感知引擎，为几何三维重建与空间理解提供基础数据。

Matterport3D 是一个面向 RGB-D 机器学习任务的大规模室内场景数据集，提供带标注的 3D 重建与语义理解数据，适合训练和评测场景重建模型。

一套 Python/C++ 混合的视觉 SLAM 流水线，支持单目、双目和 RGB-D 相机，集成多种特征提取、回环检测、深度预测与语义分割，用于三维重建和场景理解。

把视频流转化为整体 3D 空间智能的 ICML 2026 Oral 工作，配套基准用于评测视觉语言模型的空间理解能力。

原生多模态大模型，把文本和图像统一到 3D 生成与理解任务中，支持文生 3D、图生 3D、3D 描述和编辑。

统一模型，从单目视频中同时重建动态人体与三维场景，输出带时间维度的4D结果，可用于人体姿态估计与场景理解。

OmniVGGT 是 CVPR 2026 提出的多模态视觉几何 Transformer，把图像、深度、点云等不同模态统一进一个空间基础模型，用来做 3D 重建和几何理解。

用自然语言对话就能定位和操作 NeRF 三维场景中的物体，把 ChatGPT 和 BLIP2 接进 NeRFStudio，省去手动标注的麻烦。

用 100 行 Python 代码复现各类深度学习论文，涵盖扩散模型、GAN、元学习、逆渲染等，适合通过精简代码快速理解论文核心思想。