APPLE：SHARP 不是 Image-to-3D，而是 Image-to-World
我這兩天把 Apple 這個 ml-sharp repo 翻了一輪，感覺它有點像把「3D 重建」這件事往產品化又推了一大步，而且推法很工程師思維，他們先把輸入輸出做乾淨，再把延遲壓到你願意把它塞進即時互動流程裡，但可惜僅限研究使用不能商用。
這個專案對應的論文叫 Sharp Monocular View Synthesis in Less Than a Second，主要就是在講只給一張照片，就能在不到一秒內預測出一個可渲染的 3D Gaussian，接著你可以用這個 3DGS 在附近視角做即時的 photorealistic view synthesis。
SHARP 到底在做什麼，為什麼我覺得它很像要拿來用的
如果你之前玩過 NeRF 或各種多視角重建，你會很習慣「要很多張圖、要對姿態、要跑很久」，SHARP 的路線是反過來做，它賭的是以下：
把場景壓成 3D Gaussian splats 的參數
用單次前向推論直接回歸出這些參數
repo 的 README 直接寫明它是「單張照片 → 回歸 3D Gaussian representation」，而且是標準 GPU 上 sub-second 的 single feedforward pass，產出的 3DGS 可以 real-time render。
我覺得這個選擇很務實，因為 3DGS 的渲染本來就很快，真正卡的是你怎麼拿到那坨 Gaussians，而 SHARP 把最難的那段變成一次網路 forward，剩下就交給 renderer。
另外一點很關鍵的是它強調輸出是 metric 的，有 absolute scale，所以不是那種漂浮的相機效果，而是可以用真的尺度去做相機位移，這對 AR XR 或任何要跟真實世界對齊的應用來說非常方便。
論文中最有趣的是
除了 sub-second，還提到它在多個資料集上 SOTA，LPIPS 降 25–34%，DISTS 降 21–43%，而且合成時間下降三個數量級，我覺得這是在講 3D 不再是「重建一個完整世界」，而是「快速做一個足夠好、可互動的局部世界」。
它很清楚地把適用範圍框在「nearby views」，也就是你不要期待它憑空補出照片背後長什麼樣子，這個取捨換到的是延遲跟穩定度，對產品端反而更重要。
作者：林 Jay