一张正面照片重建三维植株：Plant Orbiter 用视频扩散绕植物转一圈，株高误差均值5.9%
核心概要
植物三维数字化通常要几十到上百张标定照片，或依赖昂贵的激光扫描与机械臂拍摄，单图生成方法又难以把重建结果对齐回原图。Plant Orbiter 用视频扩散模型从一张正面照片合成一段绕植物旋转的轨道视频，再以已知相机路径直接拟合三维高斯泼溅，省去用运动恢复结构求相机位姿这一步。在 PlantDreamer、Botany-Bot 与 PLANesT 等数据集上，其三维 F-score 在全部测试数据集上领先对比方法，单图输入对齐下的 IoU 在 PlantDreamer 与 Botany-Bot 上分别为 0.552 和 0.556；在 GrowSplat 时序数据上测株高，平均绝对百分比误差为 5.9%。
深度剖析
一张正面照片即可得到一株植物的三维高斯泼溅模型，且模型自动落在输入照片的相机坐标系里，不需要额外标定或人工摆位。 此前的多视角方法要围绕植株拍摄数十到数百张标定照片，单图生成器虽只要一张图，但输出处在自身任意坐标系中，重新对齐和缩放是公认的难点。 在单图输入对齐设置下，Plant Orbiter 在 PlantDreamer 与 Botany-Bot 上的 IoU 分别为 0.552 和 0.556，高于对比方法中的最好值 0.529 和 0.504；在 PLANesT 上为 0.343，略低于 SV3D 的 0.348。
重建出的三维形状与真实植株点云更吻合，这一优势在多数数据集上不依赖对齐是否理想。 生成式单图方法在理想对齐（oracle）下会明显变好，TRELLIS.2 在部分指标上因此反超，说明其单图对齐本身不可靠。 三维 F-score 上 Plant Orbiter 在 PlantDreamer、Botany-Bot、胡椒与玫瑰四组数据上分别为 0.443、0.540、0.252 和 0.257，均为最高；Chamfer 距离除 PlantDreamer 上略逊于 TRELLIS.2（18.3 对 17.7）外均为最优。
同一套流程前面接一个文生图模型，就能按文字生成三维植株，并保留提示中指定的果实数量。 通用文生三维模型在植物这类细长、重叠的结构上控制力弱，提示果实数量时多数方法接近或低于随机水平。 在番茄与柠檬的果实计数实验中，Plant Orbiter 的精确数量生成率为 50.0%、平均绝对计数误差 0.60，为所有方法最高与最低；其三维资产在 42 个中有 40 个（95.2%）保留了输入图像的果实数，而用同样输入图像的 TRELLIS.2 为 54.8%。
启示与展望
演示范围限于单张正面照片输入、水平单圈环绕的轨道视频，以及 PlantDreamer、Botany-Bot、PLANesT-3D 与 GrowSplat 四个公开多视角植物数据集上的豆、薄荷、羽衣甘蓝、胡椒、玫瑰、藜麦与红杉等物种；株高评估在 GrowSplat 时序数据上进行。作者提出，若要覆盖植株背面或稠密结构，需要让视频扩散模型额外接收一张背面视图，但这还需解决植株一致性与相机相对位姿的确定问题。
作者指出，单目方法只能捕捉输入图像中可见的细节，背面与遮挡部分必须靠推断，因此更适合株高这类测量和自遮挡不严重的植株；当前轨道只覆盖单一固定高度，从上方或下方观察时重建常出现伪影。果实计数实验的误差主要来自文生图阶段，番茄图像偏少、柠檬图像偏多，且随请求数量增大而更频繁；在真实感指标上，基于 Inception 特征的核距离排名靠后，作者归因于薄荷的形态与花盆颜色差异，而基于 DINOv2 特征时排名第二。