ntizar R^3 — 3D Reconstruction via Relative Regression
Comparativa de alternativas (consultada 2026-09-01)
R^3 (310⭐, último push 2026-06-19) es la opción minoritaria del terreno "reconstrucción 3D desde imágenes". Ranking actual del ecosistema:
| Repo | Stars | Estado | Cuándo usarlo |
|---|---|---|---|
facebookresearch/vggt |
14.314 | CVPR 2025 Best Paper | Primera opción: transformer de geometría visual, multi-vista → pose + profundidad + punto nube |
colmap/colmap |
12.609 | Mantenimiento activo (push hoy) | SfM/MVS clásico robusto, la referencia cuando basta precisión y no hace falta deep learning |
ByteDance-Seed/Depth-Anything-3 |
6.244 | Activo (2026-07) | Monocular depth foundation model; ver skill depth-anything-3 |
KevinXu02/R3 (este) |
310 | Activo (2026-06) | Regresión relativa — útil cuando el setup de cámara es irregular/calibración poor; niche académico |
Veredicto: para trabajo rutinario, VGGT o COLMAP primero; R3 solo si su enfoque de regresión relativa encaja exactamente. Skills hermanos: depth-anything-3, colmap-view, gush3r-3d.
- KevinXu02/R3 — R^3 hace reconstrucción feed-forward por regresión de poses relativas, manejando vídeos largos sin SLAM; frente a VGGT/COLMAP es la opción nicho cuando el setup de cámara es irregular y la calibración pobre.
Qué hace
R^3 es la implementación oficial del paper "3D Reconstruction via Relative Regression" (CVPR). Permite reconstruir escenas 3D a partir de imágenes 2D usando regresión relativa de profundidades, más eficiente que métodos SfM tradicionales para certain use cases.
Instalación
git clone https://github.com/KevinXu02/R3.git
cd R3
pip install -r requirements.txt
# Descargar pre-trained models
bash download_models.sh
Uso básico
from r3 import SceneReconstructor
# Reconstruir escena desde imágenes
reconstructor = SceneReconstructor(
model_path='pretrained/r3.pth',
device='cuda'
)
# Entrada: lista de imágenes con poses conocidas o estimadas
images = ['img1.jpg', 'img2.jpg', 'img3.jpg']
poses = [...] # Camera poses (optional, R^3 puede inferirlas)
# Ejecutar reconstrucción
result = reconstructor.reconstruct(images, poses)
# Guardar result
result.save_mesh('output.ply')
result.save_depth('depth_map.png')
# CLI
r3 reconstruct --images ./scene/ --output output.ply \
--model pretrained/r3.pth --device cuda
Integración con pipelines 3D
# R^3 → Three.js/WebGL para visualización web
import trimesh
# R^3 output →PLY
mesh = trimesh.load('output.ply')
# Convertir a glTF para WebGL
mesh.export('scene.gltf')
# Luego cargar en Three.js con GLTFLoader
Pitfalls
- Requiere GPU CUDA para rendimiento práctico
- Los resultados dependen de la calidad y cobertura de las imágenes de entrada
- No es un reemplazo completo de SfM tradicional — mejor para escenas con superposición significativa
- El modelo pre-entrenado está optimizado para escenas urbanas/exteriores
Referencias
- Paper: "3D Reconstruction via Relative Regression" (CVPR)
- Repo: https://github.com/KevinXu02/R3
- Relacionado:
depth-anything-3,colmap-view,threejs-3d-maps,monolith-terrain