本文介绍了基于扩散模型的360度全景图像生成技术，提出了RenderDiffusion模型，能够从2D图像生成3D场景，并在多个数据集上表现优越。研究还探讨了个性化生成方法，强调全局几何特性和高质量输出。通过优化框架TwinDiffusion，解决了接缝和过渡问题，显著提升了生成质量和效率。

该文综述了360度全景图像三维视觉研究，涵盖空间变化光照、反射与几何估计，球面视差与深度估计，基于切线图像的高分辨率深度重建，全景视觉定位数据集360Loc，自监督球面视图合成，OmniFusion单目深度估计流程，无人驾驶全景深度与位姿恢复，球面图像增量式三维重建，以及室内场景三维布局恢复等方法。实验表明，这些方法在增强现实、定位和自动驾驶等应用中性能优越。

该文汇总多项360度全景图像研究：基于扩散模型的圆形混合策略实现文本及单图生成全景图；NeO 360从单图重建户外场景；利用立体全景估计光照与几何；半监督学习改进室内布局；强化学习生成更具吸引力的全景图；单张卫星图合成时空一致全景视频；条件场景装饰生成家具布局；ZeroNVS实现单图新视图合成；PAVER学习视觉显著性；街景与卫星图对应生成新全景图。