＜span class=“js_title_inner“＞【Google DeepMind-Ziyi Wu-arXiv26】360Anything＜/span＞
文章：360Anything: Geometry-Free Lifting of Images and Videos to 360°
代码：https://360anything.github.io/
单位：Google DeepMind
一、问题背景：传统全景生成的两大“拦路虎”
依赖相机 metadata：传统方法要把普通视角“贴”到全景画面上，必须知道相机的视场角（FoV）、拍摄姿态（俯仰、翻滚等），但现实中大部分“野生”素材（比如手机随手拍、网上下载的视频）都没有这些校准信息，就算靠外部工具估算，结果也容易出错，导致生成的全景变形、错位。
存在接缝 artifacts：全景画面的左右边界本应自然衔接，但传统模型在处理图像时会用“零填充”技术，导致边界数据不连续，最终生成的全景会出现一条明显的“断层线”，影响沉浸式体验。
泛化能力差：很多方法假设输入素材的视角是固定的（比如90°视场角），遇到不同拍摄角度的素材就会出现拉伸、变形，无法适应真实场景的多样性。
二、方法创新：用“数据规律”替代“几何计算”
360Anything的核心思路是“抛开几何约束，让数据自己说话”，主要有三大创新点：
几何无关的序列拼接：不强行计算普通视角和全景的空间对应关系，而是把两者都当成“数据片段序列”。通过扩散Transformer（DiT）模型，让AI从海量数据中自主学习“什么样的普通画面对应什么样的全景”，直接省略相机参数估算步骤，实现端到端生成。
循环 latent 编码，根治接缝问题：找到接缝的根源——VAE编码器的“零填充”操作。为此设计了“循环 latent 编码”：把全景左右两边的部分画面裁剪下来，分别贴到对方一侧，再进行编码，让边界数据自然衔接，从训练阶段就彻底消除接缝。
标准化全景生成：不管输入素材的拍摄角度多怪，都强制生成“重力对齐”的标准化全景（比如地平线水平、重力方向向下）。通过预处理步骤校准训练数据的重力方向，让模型不用学习多种畸变模式，生成的全景更自然、更稳定。
三、实验结果：性能碾压传统方法，还能“反向估算”相机参数
全景生成质量顶尖：在图像生成任务中，360Anything的各项指标（FID、KID等）全面超越CubeDiff等传统方法，其中衡量全景整体质量的FAED指标误差降低近50%；视频生成任务中，在视觉质量、运动流畅度等维度大幅领先Imagine360、Argus等基线模型，就算没有相机参数，也比依赖真实参数的方法表现更好。
零样本相机参数估算：意外解锁“反向技能”——虽然没专门训练过相机校准，但能通过生成的全景反推输入素材的视场角和拍摄姿态，在多个真实数据集上的估算误差仅4.93°，仅次于专门的校准模型，展现了强大的几何理解能力。
3D重建能力出色：生成的全景视频能直接用于3D高斯 splatting 重建，还原出可自由漫游的3D场景，证明了全景内容的几何一致性。
鲁棒性拉满：面对不同视场角（30°-120°）、拍摄姿态的素材，性能波动不超过1.0；就算是AI生成的“野生”视频、大运动幅度的素材，也能生成稳定、无畸变的全景。
四、优势与局限
核心优势
门槛极低：无需相机参数、不用手动调整，输入普通照片/视频+简单文字描述，就能生成高质量全景，普通人也能轻松使用。
效果出色：无接缝、无畸变，全景质量和几何一致性远超传统方法，还能支持3D重建。
泛化性强：适配各种拍摄角度、运动幅度的素材，不管是真实拍摄还是AI生成的内容都能处理。
现存局限
受限于基础模型：基于预训练视频扩散模型微调，难以处理涉及复杂物理规律的场景（比如液体流动、物体碰撞）。
视频长度有限：受算力限制，目前只能处理81帧的视频，无法支持长时间全景生成。
存在数据偏见：训练数据中包含大量YouTube全景视频，偶尔会生成三脚架、手等无关物体，或出现黑色边框。
高分辨率升级难：现有视频超分工具会重新引入接缝，需要专门的全景超分技术支持。
五、一句话总结
360Anything用数据驱动替代几何约束，不仅解决了传统全景生成依赖相机参数、存在接缝的痛点，还实现了顶尖的生成质量和泛化能力，为AR/VR、3D重建等领域的普及提供了易用、高效的解决方案。