本文提出了一种新方法，结合预训练的文字转图像模型和3D体渲染技术，生成一致性更高的多视角3D图像。通过Zero123-6D方法和DI-V2X框架，提升了零侧位姿估计性能和V2X 3D物体检测效果，同时提出的新世界建模方法显著改善了自动驾驶中的点云观测。