---
title: "SAM 3D Objects：图像转 3D 技术与基准测试 — Segmentit"
description: "了解 SAM 3D Objects 和 Body、单图 3D 重建，以及与 TRELLIS、Hunyuan3D 对比的 SA-3DAO 基准测试。探索 Segmentit 的工作流程。"
lang: "zh-Hans"
canonical: "https://segmentit.com/zh-Hans/sam-3d/"
---

# SAM 3D。让照片立体起来。

探索 Meta 的单图重建模型、物体生成方式，以及与 TRELLIS、Hunyuan3D 和其他图像转 3D 方法的公开比较结果。

[试用工作室](https://segmentit.com/app?lang=zh-Hans) [查看基准测试](https://segmentit.com/zh-Hans/sam-3d/#benchmarks)

[![Segmentit 工作室中的物体工作流程](https://segmentit.com/images/blog/studio-monument.png)](https://segmentit.com/app?lang=zh-Hans) [打开工作室](https://segmentit.com/app?lang=zh-Hans)

本指南由 Segmentit 独立编写。SAM 3 和 SAM 3D 由 Meta 开发；Segmentit 与 Meta 无关联。

## 什么是 SAM 3D？

SAM 3D（也常以 SAM3D 搜索）是 Meta 根据图像重建 3D 的模型系列。SAM 3D Objects 估计物体几何、纹理和布局。SAM 3D Body 是用于人体形状与姿态的独立模型。Segmentit 的物体工作流程专注于 Objects。

[Meta · SAM 3D ↗](https://ai.meta.com/research/sam3d/)

### SAM 3

图像 → 2D 蒙版

### SAM 3D Objects

图像 + 蒙版 → 3D 物体

精确选区与立体重建解决不同需求。先选择正确的主体，再处理形状、纹理与场景构图。 [探索 SAM 3](https://segmentit.com/zh-Hans/sam-3/).

### 参与比较的模型

-   [TRELLISMicrosoft · Tsinghua · USTC](https://microsoft.github.io/TRELLIS/)
-   [Hunyuan3D-2.1Tencent](https://github.com/Tencent/Hunyuan3D-2)
-   [Hunyuan3D-2.0Tencent](https://github.com/Tencent/Hunyuan3D-2)
-   [Direct3D-S2Nanjing · DreamTech · Fudan · Oxford](https://arxiv.org/html/2505.17412v1)
-   [TripoSGVAST / Tripo](https://github.com/VAST-AI-Research/TripoSG)
-   [Hi3DGenByteDance · CUHK Shenzhen · Tsinghua](https://github.com/bytedance/Hi3DGen)
-   [SAM 3DMeta](https://github.com/facebookresearch/sam-3d-objects)

组织及合作团队所在的国家。每个模型均链接至官方项目。

## SAM 3D Objects 还是 Body？

### 物体与场景

**SAM 3D Objects**

根据图像重建物体的几何、外观和位置。

### 人物与姿态

**SAM 3D Body**

估计人体形状和姿态。针对不同任务的独立模型。

### 先选择，再重建

**SAM 3 → SAM 3D**

在 2D 中识别主体，再用其蒙版引导物体重建。

## 选择你的创作流程

从游戏道具、场景装饰物，或想换个角度观察的产品开始。清晰的参考图像更便于评估生成的形状。

[选择物体](https://segmentit.com/zh-Hans/docs/select-an-object/) [创建 3D](https://segmentit.com/zh-Hans/docs/generate-3d/) [下载与导出](https://segmentit.com/zh-Hans/docs/download-and-export/)

## SAM 3D如何运作？

### 图像 + 蒙版

原始图像提供上下文，蒙版指定要重建的物体。

### 几何 + 姿态

第一生成阶段估计形状和位置。隐藏表面根据已学习的视觉规律进行推断。

### 纹理 + 细化

第二阶段细化外观与细节。研究流程支持网格和高斯表示。

研究模型架构。应用中提供的视频功能、表示形式和工具可能有所不同。 [官方代码 ↗](https://github.com/facebookresearch/sam-3d-objects)

## SAM 3D 与早期图像转 3D 方法对比

SA-3DAO · 形状重建 · F1@0.01 · 越高越好

F1@0.01 · 0 → 0.25

TRELLIS

**0.1475**

Hunyuan3D-2.1

**0.1399**

Hunyuan3D-2.0

**0.1574**

Direct3D-S2

**0.1513**

TripoSG

**0.1533**

Hi3DGen

**0.1629**

SAM 3D

**0.2344**

**数据与指标**

**SA-3DAO · Table 2**

| 模型 | F1@0.01 ↑ | vIoU ↑ | Chamfer ↓ | EMD ↓ |
| --- | --- | --- | --- | --- |
| TRELLIS | 0.1475 | 0.1392 | 0.0902 | 0.2131 |
| Hunyuan3D-2.1 | 0.1399 | 0.1266 | 0.1126 | 0.2432 |
| Hunyuan3D-2.0 | 0.1574 | 0.1504 | 0.0866 | 0.2049 |
| Direct3D-S2 | 0.1513 | 0.1465 | 0.0962 | 0.2160 |
| TripoSG | 0.1533 | 0.1445 | 0.0844 | 0.2057 |
| Hi3DGen | 0.1629 | 0.1531 | 0.0937 | 0.2134 |
| SAM 3D | 0.2344 | 0.2311 | 0.0400 | 0.1211 |

F1：阈值为 0.01 时的表面精确率与召回率。vIoU：体积重叠程度。Chamfer 和 EMD：几何距离（越低越好）。数值来自论文原始数据，并非成功率。

来源： [SAM 3D Team et al. · Table 2 · arXiv v1 (2025) ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

在此对比中，SAM 3D 的 F1@0.01 得分为 0.2344。这些是论文报告的 SA-3DAO 结果，并非当今商业产品排名，也不是 Segmentit 自行开展的基准测试。

### 体积重叠

预测体积与参考体积的吻合程度。越高越好。

vIoU ↑0 → 0.25

**TRELLIS**

**0.1392**

**Hunyuan3D-2.1**

**0.1266**

**Hunyuan3D-2.0**

**0.1504**

**Direct3D-S2**

**0.1465**

**TripoSG**

**0.1445**

**Hi3DGen**

**0.1531**

**SAM 3D**

**0.2311**

[公开数据 · 2025 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 表面距离

与参考表面的几何距离。越低越好。

Chamfer ↓0 → 0.12

**TRELLIS**

**0.0902**

**Hunyuan3D-2.1**

**0.1126**

**Hunyuan3D-2.0**

**0.0866**

**Direct3D-S2**

**0.0962**

**TripoSG**

**0.0844**

**Hi3DGen**

**0.0937**

**SAM 3D**

**0.0400**

[公开数据 · 2025 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 整体形状对齐

点分布之间的距离。越低越好。

EMD ↓0 → 0.25

**TRELLIS**

**0.2131**

**Hunyuan3D-2.1**

**0.2432**

**Hunyuan3D-2.0**

**0.2049**

**Direct3D-S2**

**0.2160**

**TripoSG**

**0.2057**

**Hi3DGen**

**0.2134**

**SAM 3D**

**0.1211**

[公开数据 · 2025 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 解读结果

对 2025 年论文中评估版本的历史比较，复核于 2026 年 10 月 7 日。数据集、提示和指标决定了衡量内容。这些分数既不能预测生成时间，也不能保证每张照片在 Segmentit 中的质量。

## 从研究，到你的下一个创作。

将照片导入 Segmentit，提取物体并开始生成 3D。在工作室中检查结果，然后下载 GLB 用于下一个场景。选区与模型会一起保存在项目中。

[开始创作](https://segmentit.com/app?lang=zh-Hans) [探索工作流程](https://segmentit.com/zh-Hans/services/photo-to-3d/)

## 关于SAM 3D的问题

**SAM 3 还是 SAM 3D：我需要哪一个？**

先用分割选择图像中的主体，再用重建创建立体形态。SAM 3 与 SAM 3D 是互补技术，处理的并非同一个任务。

**什么是 SA-3DAO？**

Meta 的基准数据集将真实世界图像与专业 3D 艺术家制作的形状配对。发布说明介绍了 100 组公开的图像/3D 配对，以及用于基准竞赛的 900 组保留配对。

**应该如何使用重建后的物体？**

将它作为创意素材：检查每一面，根据场景设置比例，并在 3D 工具中调整材质。单张图像提供实用的起点，而不可见的细节仍然来自推断。

## 来源与文档

-   [Meta · SAM 3D](https://ai.meta.com/research/sam3d/)
-   [研究论文 · SAM 3D](https://arxiv.org/html/2511.16624v1)
-   [官方代码 · SAM 3D Objects](https://github.com/facebookresearch/sam-3d-objects)
-   [Meta · SA-3DAO 数据集](https://ai.meta.com/datasets/sa-3dao-sam-3d-artist-objects-downloads/)

已复核 2026 年 10 月 7 日 · Segmentit 编辑团队