BuildRome：自适应分块，把单张照片扩成室内外场景网格

图2如何让对象生成器按透视尺度完成场景，并区别观测与猜测？

1. 1

   从单目点图分配不同大小的块

   图2a用MoGe-3估计相机和点图，建立地面对齐坐标。近处使用较小块，远处及较高结构提高尺度；各块缩放到3米规范立方体，同时缩放深度和相机平移，保持投影不变。原始估计错误仍会改变真实覆盖和尺度。

2. 2

   只在观测表面附近提升图像特征

   图2b将DINOv3特征投到距估计表面1.5个体素以内的位置，其他位置置零。稀疏结构阶段另输入截断到±1米的有符号深度残差：负值为空间前方，零附近是表面，正值为未知背后；这不是完整三维SDF，不能直接当物体内外标签。

3. 3

   保留对象先验并训练局部场景生成

   TRELLIS.2稀疏结构先预测占据，再生成结构潜变量；rank32 LoRA和新条件模块共同训练，使用室内合成场景及约4000个构造户外场景。户外流程先组装不完美资产再重渲染，令输入图像、深度和目标几何相互一致，模型并非直接把错误参考照片当几何真值。

4. 4

   按顺序固定重叠潜变量再解码

   图2c从近到远生成，重叠内区已有潜变量在每步去噪中重新固定；不同尺度之间三线性重采样后约束。它促进块间一致，却可能传播早期错误。拼装后解码为无纹理网格；论文彩色结果多为法线或块可视化，不是已生成材质。

已阅读v1正文及附录A.1–A.4；核对官方项目、仓库bf23d02、模型卡7e188bb及两个实际权重文件元数据，并检查深度处理实现片段。未执行CUDA推理或独立复现。

官方项目现已链接Applied-Intuition-Open-Source/BuildRome推理实现与Hugging Face权重。模型库有ss_delta约438MiB、slat_delta约251MiB及SHA256SUMS，属于增量参数，需另取TRELLIS.2等；未包含训练数据，未确认完整训练管线发布。

LICENSE项目原创代码及增量权重为CC BY-NC 4.0，限非商业使用；第三方代码、DINOv3及基础权重各自条款继续适用。论文为CC BY 4.0，引用原图2未修改，保留来源与作者。