PointDiT：面向单目几何估计的像素空间扩散模型

PointDiT 是一种基于普通 ViT 的极简像素空间扩散 Transformer，直接处理原始 3D 点图块，并以预训练 DINOv3 的图像 token 为条件，扩散主干完全从零训练，无需点图 tokenizer。它在单图 3D 重建上超越了复杂的潜空间扩散模型，同时比混合架构更简单，几何结构更锐利，在透明物体等高度歧义区域更稳健。