本文提出了一种大型逆向渲染模型（LIRM），旨在改善现有重建模型在未见部分重建、光泽外观恢复及生成可重光照3D内容方面的不足。LIRM通过逐步添加视图、六面体神经SDF表示和神经方向嵌入机制，提高了重建质量和效率。

GS-LRM是一个可扩展的大型重建模型，使用单个A100 GPU从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用基于transformer的架构，适用于不同尺度和复杂性的场景。GS-LRM在对象和场景捕捉方面优于现有方法，并在下游3D生成任务中展示了应用。

GS-LRM是一个可扩展的大型重建模型，能够在单个A100 GPU上从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用了基于transformer的简单架构，能够处理不同尺度和复杂性的场景。在Objaverse和RealEstate10K上的训练结果表明，GS-LRM优于现有方法。

GS-LRM是一个可扩展的大型重建模型，能够在单个A100 GPU上从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用了基于transformer的简单架构，能够处理不同尺度和复杂性的场景。在Objaverse和RealEstate10K上进行训练后，该模型在对象和场景捕捉方面表现更好。

LRM是一个大规模重建模型，可以在5秒内从单个输入图像预测对象的3D模型。该模型采用高度可扩展的transformer架构，在包含大约100万个对象的海量多视图数据上进行端到端训练。该模型具有很强的通用性，并能够从各种测试输入中生成高质量的3D重建结果。