SDS: Score Distillation Sampling
分数蒸馏采样（Score Distillation Sampling）— 早期指令驱动三维编辑的核心技术，利用预训练 2D 扩散模型作为"导师"优化三维场景表示。
Overview
SDS 由 DreamFusion 提出，核心思路：利用 InstructPix2Pix 等预训练 2D 指令编辑模型，在三维表示的不同视角渲染图上计算去噪梯度，通过梯度反向传播迭代更新三维场景参数。
核心局限
1. 多面神问题 (Janus Artifacts)
二维模型独立处理每一帧渲染，缺乏全局拓扑约束，在三维空间中产生多头、重影等违背物理规律的结构。
2. 纹理平滑与过饱和
为稳定优化需使用极高分类器引导尺度（CFG），导致颜色过饱和与高频纹理严重丢失。
3. 效率低下
每个编辑指令需数百至数千次"渲染-去噪-梯度反传"循环，处理单一资产需数十分钟。
替代方案
| 方法 | 核心思路 | 与 SDS 对比 |
|---|---|---|
| [SyncNoise](/wiki/page/syncnoise) (AAAI 2025) | 几何引导多视图一致性噪声，跨视图特征对齐 | 保留高频细节，避免纹理流失 |
| [Omni-3DEdit](/wiki/page/omni-3dedit) (CVPR 2026) | 纯前馈单次推理网络，双流 LoRA | 数十分钟 → 约 2 分钟，一次前馈 |
Related
- syncnoise — 突破 SDS 纹理损失问题
- omni-3dedit — 彻底终结在线迭代优化
- conditional-generation-3d — 条件生成与编辑
Sources
- 三维点云生成条件控制综述 — 2026