人工智能AI 技能3D渲染【免费下载链接】img2threejsRebuild the object in a reference image as a code-only, procedural, quality-gated, animation-ready Three.js model. Token-efficient image-to-3D.项目地址https://gitcode.com/gh_mirrors/im/img2threejs点击查看免费下载本指南讲解 img2threejs 流水线 v1.5 中 WS4 阶段的核心拟合机制analysis_by_synthesis_fitting分析-合成拟合。它把根据参考图重建 Three.js 模型这一过程从自由猜测式的试错收敛为一次受硬性预算约束、结果可审计、可由 Divine Eye 视觉评估器驱动评分的确定性参数搜索。读完本文你将掌握fit()与fit_against_divine_eye()的完整 API 契约、停止策略plateau / oscillation / 预算上限的判定细节、CLI 拟合目标文件的精确格式以及如何把拟合结果接入correction_loop.decide()驱动的校正闭环。WS4 拟合循环在流水线中的定位img2threejs 的目标是以代码即资产code-only、程序化、质量门控、动画就绪的方式把参考图中的物体重建为 Three.js 模型。在docs/ARCHITECTURE.md中forge/stage4_review/fit_params.py被明确标注为 Bounded, gate-aware analysis-by-synthesis parameter fitting有界、门控感知的分析-合成参数拟合。所谓 analysis-by-synthesis分析-合成指的是一条朴素的循环给定一组参数例如某个渲染或场景向量的坐标先把参数合成为一张渲染图再拿渲染图与参考图做比较分析根据差距调整参数如此反复。WS4 拟合循环的设计意图在 grimoire/build/analysis_by_synthesis_fitting.md 开篇写得很清楚它把确定性参数搜索与 Divine Eye 绑定使循环表现得像一次有界的艺术家修正过程而不是一个自由运行的猜测器。这句话包含两个关键限定确定性deterministic候选参数的评估顺序固定不使用任何随机源同样的输入永远得到同样的结果——这是可复现、可审计的前提有界bounded迭代次数与评估次数都有硬性上限加上 plateau 与方向翻转thrashing检测拟合器不可能无限运行下去。其中Divine Eye是forge/stage4_review/divine_eye.py中实现的确定性多信号渲染↔参考评估器零 Token、纯 Python 像素数学。它提供硬门控silhouette IoU ≥ 0.85、scale delta ≤ 0.08与软信号集成SSIM、边缘重叠、色调对比等是校正循环唯一信赖的这张渲染离参考还有多远、哪里不对的裁判。WS4 拟合正是把 Divine Eye 当作 objective 打分器来使用。fit() API 与输入约束核心入口是fit()定义在 forge/stage4_review/fit_params.py 中result fit(initial, bounds, objective, FitConfig())它实现的是纯标准库、确定性、有界的坐标下降coordinate descent。调用方只能在能提供确定性 objective 时用它来微调一个较小的渲染或场景向量。initial / bounds / objective 的严格约束fit()在真正开始搜索之前会通过_normalize_inputs()与_validate_config()做全面校验见 fit_params.py任何不满足约束的输入都会抛出FitInputError带field与detail的结构化错误信息输入约束违规示例initial115 个有限finite数值参数且非布尔值必须在各自 bounds 内16 个参数超MAX_DIMENSIONS 15math.nanTruebounds每个参数一个[lower, upper]有限区间对lower严格小于upperinitial必须落在区间内[1]不是二元组[1, 1]lower 不小于 upperinitial2.0超出[-1, 1]objective必须可调用callable对任何参数返回有限分数分数越高越好None返回math.nan触发NonFiniteScoreError其中分数越高越好的方向约定需要特别留意——这与常见的损失函数越小越好相反。CLI 中的示例 objective 是1.0 - sum((value - target[i])**2)即越接近目标值分数越高最优为 1.0。FitConfig拟合的预算与停止参数FitConfig是一个 frozen dataclass全部字段均有默认值fit_params.py字段默认值含义max_iterations40最大迭代轮数硬上限max_evaluations500最大 objective 评估次数硬上限min_improvement1e-9判定一轮迭代无净改进的净增益阈值plateau_iterations3连续无净改进达到该次数则停止状态plateauoscillation_flips2连续翻转次数达到该值则停止状态oscillationseedNone仅作元数据记录不参与计算校验规则_validate_config迭代/评估/plateau/oscillation 四个限制必须是正整数min_improvement必须是有限非负数seed必须是整数或None。候选顺序、步长与停止语义拟合器逐坐标推进。候选顺序是固定的对每一个坐标先评估有界下移bounded lower move再评估有界上移bounded upper move每轮只沿能提升分数的方向提交移动。seed仅作为元数据被记录没有任何随机源——这正是确定性的来源。步长step size初始为区间宽度的四分之一(upper - lower) / 4.0若某次迭代没有任何坐标带来改进所有步长统一减半step / 2.0形成标准的坐标下降括号细化bracket refinement行为。fit()在以下条件满足时停止max_iterations迭代轮数耗尽状态为max-iterationsmax_evaluations评估预算耗尽状态为max-evaluations。特别地如果预算在某个坐标的第二个方向之前耗尽已经评估过的、分数更优的第一个方向提案会被提交并记录后再返回结果保证预算边界内绝不浪费已付出的评估plateau连续plateau_iterations轮净增益低于min_improvementoscillation连续迭代中出现方向翻转thrashing达到oscillation_flips次。方向翻转flip跟踪的细节值得展开翻转只统计净增益低于min_improvement的不稳定迭代且每个至少发生一次方向反转的不稳定迭代使 thrash 计数 1稳定迭代或未发生反转的迭代会重置计数。这保证了三种正常情况不会误触发oscillation普通括号细化、单轮多坐标反转比如某轮同时改善了 2 个坐标但各自方向不同、以及非连续不相邻的翻转。对应的回归测试在 forge/tests/test_fit_params.py 的test_smooth_quadratic_refinement_does_not_count_boundary_bracketing_as_oscillation、test_non_consecutive_direction_flips_do_not_oscillate、test_one_unstable_iteration_with_multiple_reversals_does_not_oscillate中逐一固化。FitResult 与 FitTelemetryfit()返回FitResultfrozen dataclass包含parameters最终参数向量best_score最优 objective 分数statusmax-iterations/max-evaluations/plateau/oscillation之一iterations与evaluations实际消耗的迭代与评估计数seed透传配置中的种子history每轮一条FitTelemetry含 objective 分数、改进标志improved、累计评估次数、步长向量。两个实用的序列化/转换方法to_json()输出parameters、bestScore、bestObjectiveScore显式字段名、status、iterations、evaluations、seed、history。其中bestScore为兼容保留与bestObjectiveScore数值相同to_correction_history(defect_tags)把历史分数转为校正循环可直接消费的{fidelity, defectTags, reverted}列表但要求每轮best_score都在[0, 1]范围内否则抛出FitInputError。CLI 拟合目标确定性的二次函数 fixtureCLI 入口main()fit_params.py只运行一个确定性的二次函数 fixture objective用于演示、冒烟测试与契约验证而不是给生产场景用的通用拟合接口。生产调用方应直接调用fit()并传入自己的 objective。输入 JSON 的精确格式CLI 通过--input path读取 JSON 文件。顶层对象必须恰好包含initial、bounds、target、config四个键多一个、少一个都会以退出码 2 报错{ initial: [0.0], bounds: [[-1.0, 1.0]], target: [0.5], config: {maxIterations: 20, maxEvaluations: 200, seed: 7} }其中initial、bounds、target必须是数组target定义理想目标点objective 为1.0 - sum((value - target[i])**2)。config只接受以下键camelCase未知键会被拒绝并以退出码 2 退出JSON 键对应 FitConfig 字段maxIterationsmax_iterationsmaxEvaluationsmax_evaluationsminImprovementmin_improvementplateauIterationsplateau_iterationsoscillationFlipsoscillation_flipsseedseed拼写错误例如maxEvaluatons会被精确地报告为 unknown key——测试test_cli_rejects_unknown_config_keys_without_traceback验证了这一点。运行方式与退出码python -m forge.stage4_review.fit_params --input fit.json # 输出示例plateau score0.99999999 evaluations42 python -m forge.stage4_review.fit_params --input fit.json --json # 输出 JSON 化结果sort_keysTrue含 bestScore / bestObjectiveScore / status / history--input必填指向二次函数 objective 的 JSON 文件--json可选以 JSON 输出完整结果缺省时输出一行摘要{status} score{bestScore} evaluations{evaluations}退出码成功为 0任何FitInputError、NonFiniteScoreError、文件读取错误或 JSON 解析错误都会以退出码 2结束且错误信息打印到 stderr、绝不输出 traceback测试test_cli_rejects_malformed_bounds_without_traceback与test_cli_requires_exact_top_level_schema验证了这一行为。可执行的 Divine Eye 拟合fit_against_divine_eye()CLI 只能跑二次函数 fixture真正把拟合接入视觉评估的是fit_against_divine_eye()fit_against_divine_eye(initial, bounds, render_for_parameters, reference_png, evaluatorNone, configFitConfig())它把确定性参数→渲染的回调render_for_parameters变成一个有界的保真度 objective见 fit_params.py对每个候选参数调用render_for_parameters(parameters)得到渲染图路径以(reference_png, render_path)调用 evaluator 得到 Divine Eye 评估结果把评估结果深拷贝后打上适配器字段fitCandidateParameters、fitReferencePng、fitRenderPath追加到结果列表将结果换算成门控感知的 objective 分数返回给fit()。门控感知的 objective 分数_divine_eye_objective_score()的规则是干净clean结果没有 hard gate 失败且路由字段actioncontinue、verdictpass或缺失的候选直接使用其原始 Divine Eye 保真度[0, 1]作为 objective 分数带 hard gate 的结果objective 分数固定为-1.0低于所有干净分数。批准判定实现在 forge/stage4_review/_fit_divine_eye.pyapproved not hard_gates and action in (None, continue) and verdict in (None, pass)。关键设计是原始保真度与 objective 分数分离即使一个候选的原始保真度高达 0.90 但触发了 hard gate它也不会以-1.0之外的分数参与拟合无法挤掉一个干净的低分候选——测试test_fit_against_divine_eye_rejects_higher_fidelity_hard_gate_as_best直接验证了这一点参数-0.5处保真度 0.90 但 gate 失败最终最优参数仍是 0.90 的干净候选之外的 0.0保真度 0.85。同理actionprobe的待审pending结果也不会取代已批准的基线。evaluator 的惰性导入与可替换性evaluator参数是可选的。缺省时使用_default_divine_eye_evaluator惰性导入divine_eye.evaluatefit_params.py因此仅导入拟合模块本身不会加载任何图像分析依赖模块保持轻量。调用方也可以注入自己的(reference_path, render_path) - Mapping评估器这在测试中被大量使用用预置分数表代替真实 Divine Eye。DivineEyeFitResult结果、原始保真度与修正历史fit_against_divine_eye()返回DivineEyeFitResult包含fit_result底层FitResultbest_score/bestObjectiveScore是objective 分数全门控运行时为-1.0best_raw_fidelity/ JSONbestRawFidelity被选中的干净候选的原始 Divine Eye 保真度[0, 1]若没有任何被批准的候选全门控运行为None——测试test_fit_against_divine_eye_bounds_all_gated_runs_with_raw_provenance验证了这一点divine_eye_results每次评估结果的深拷贝记录携带适配器字段correction_history/ JSONcorrectionHistory由原始拷贝的Divine Eye 记录派生的归一化历史而非 objective 分数因此对全门控运行同样有效、可审计。to_json()输出fitResult、bestObjectiveScore、bestRawFidelity、divineEyeResults、correctionHistory五个字段。整个集成不会修改 evaluator 返回的结果映射适配器总是对结果做深拷贝再打字段测试test_fit_against_divine_eye_snapshots_reused_evaluator_mapping用复用同一映射的 evaluator验证了快照隔离test_divine_eye_history_copies_rich_provenance验证了原始记录后续被外部改动也不会污染历史。Divine Eye 适配层与校正循环集成divine_eye_fidelity()标量分数适配divine_eye_fidelity(result)fit_params.py从原始 Divine Eye 结果中读取fidelity作为标量 objective 分数条件严格必须是映射mapping、fidelity存在、为有限数且落在[0, 1]。布尔值、越界、非有限值、缺失字段都会触发带字段名的FitInputError。它只读不改不会触碰结果中的 gate 键测试test_divine_eye_adapter_reads_fidelity_without_changing_gate_keys。divine_eye_correction_history()归一化为校正循环历史divine_eye_correction_history(results)委托给_fit_divine_eye.py的normalize_history()把未修改的 Divine Eye 结果序列归一化为校正循环的历史条目。每个条目包含fidelity原始保真度分数defectTags与hardGateFailureshard gate 失败标签的拷贝reverted布尔值表示该轮相比最后一次被批准的最优分数是否下降pendingReview是否处于待审状态即未被批准divineEye原始结果上下文的深拷贝含 fidelity、gate failures、action、signals、reference/render 路径等divineEyeAction/divineEyeVerdict存在时镜像路由字段。基线baseline更新规则是只有被批准无 hard gate 且actioncontinue、verdictpass且分数更高的轮次才会更新accepted_fidelity。因此 pendingprobe/非 pass、reverted 或 hard-gated 的尝试既不会替换基线也不会赢得门控感知的拟合。测试test_pending_high_fidelity_does_not_replace_approved_baseline与test_hard_gated_result_does_not_replace_accepted_fidelity分别覆盖了这两种高保真但不被批准的场景。correction_loop.decide()停止策略状态机校正循环的停止策略是 forge/stage4_review/correction_loop.py 中的纯逻辑函数decision decide(history, target_fidelity0.85, max_iter6, min_delta0.02)decide()返回{stop: bool, action: str, reason: str}。停止条件按严格优先级顺序评估第一个命中的生效顺序为源码注释中标注为 priority 1–8EMPTY历史为空 → 继续迭代HARD GATE存在 hard gate 失败 →stopTrueactionrefine-codePENDING REVIEW保留 Divine Eye 评估器的非 continue 路由refine-code/refine-spec/request-inputSUCCESSfidelity target_fidelity且无未闭合 defect →actioncontinueREPEATED_DEFECT同一 defect 标签连续两轮存活 →actionrefine-specOSCILLATION尾部连续两轮reverted→actionrefine-specPLATEAU在目标以下且增量 min_delta→actionrequest-inputHARD_CEILINGlen(history) max_iter→actionrequest-input。这个顺序本身承载了设计语义hard gate 永远路由到refine-code硬上限永远能终止循环——即使分数仍在爬升。后者是该模块最重要的不变量调用方只要按while not decide(history)[stop]: history.append(...)的写法循环就绝不可能超过max_iter轮任何单调改进但永远到不了目标的死循环都会被天花板截断。decide()对历史条目的校验同样严格fidelity必须是[0, 1]内的有限数、defectTags必须是字符串列表、reverted必须是布尔。当历史条目含有嵌套divineEyeprovenance 时其有限 fidelity、hard gates、action、verdict 具有权威性顶层的镜像 fidelity 与路由字段必须与之匹配否则校验拒绝该条目_routing_state中的冲突检测fidelity-only 的历史条目无嵌套 provenance仍然受支持保持向后兼容。budget_exceeded()Token 预算断路器budget_exceeded(spent_tokens, budget)correction_loop.py是 §3.6 的预算熔断spent_tokens必须是有限非负数值budget必须是非负整数畸形输入抛出ValueError。返回spent_tokens budget时调用方应当halt-and-ask-the-user停下并询问用户绝不静默继续——这是对昂贵 VLM 驱动校正循环的成本护栏。测试契约确定性、单调性与门控语义forge/tests/test_fit_params.py 是这套拟合器行为契约的最完整文档值得作为实现细节的权威参考测试固化的契约test_seeded_metadata_and_result_are_deterministic相同输入 相同 seed 产生完全相同的FitResultseed 仅记录于元数据test_best_score_history_is_monotonic_and_normalizes_for_correction_loop历史分数单调不减to_correction_history()产生合法条目test_stops_at_max_evaluations/test_budget_exhaustion_commits_evaluated_coordinate_improvement预算硬上限生效耗尽前已评估的更优方向被提交parameters(-0.5,)best_score0.5test_stops_on_plateau/test_stops_on_direction_oscillationplateau 与 oscillation 停止条件按配置触发test_fit_against_divine_eye_runs_evaluator_and_preserves_provenanceevaluator 被逐候选调用fitCandidateParameters/fitReferencePng/fitRenderPath正确写入结果映射不被外部改动污染test_fit_against_divine_eye_rejects_higher_fidelity_hard_gate_as_best高保真但 hard-gated 的候选不能赢得拟合test_fit_against_divine_eye_rejects_higher_fidelity_probe_as_best高保真但actionprobe的候选不替换基线且pendingReviewTruetest_fit_against_divine_eye_bounds_all_gated_runs_with_raw_provenance全门控运行best_score-1.0、best_raw_fidelityNone但原始保真度全部保留在结果与历史中test_divine_eye_history_preserves_per_iteration_hard_gates_for_correction_loop归一化历史把 hard gate 同时写入defectTags与hardGateFailures且能驱动decide()返回refine-codetest_rejects_invalid_bounds_and_non_finite_scores/test_fit_config_rejects_invalid_limits...输入校验覆盖面超维、越界、NaN、非法 config 值实战接入指南如何在自己的拟合目标中使用这套机制生产环境的使用模式可以概括为三条原则CLI 只用于演示与冒烟二次函数 fixture 的 JSON 输入只验证机制本身。真正的拟合调用直接from forge.stage4_review.fit_params import fit, fit_against_divine_eye, FitConfig传入自己的 objective 或 render 回调。用 fit() 拟合纯数值目标如果你的渲染/场景向量有 115 个可微调参数且有确定性的打分函数直接构造initial、bounds、objective即可。objective 记得越高越好并对任何非法输入返回有限值否则NonFiniteScoreError会中断拟合。用 fit_against_divine_eye() 拟合视觉目标实现render_for_parameters(parameters) - str | Path把参数渲染成 PNG与参考图路径其余交给拟合器它会逐候选调用 Divine Eye或你的注入 evaluator、维护门控感知的 objective、产出可审计的DivineEyeFitResult。得到结果后把correction_history喂给correction_loop.decide()按返回的actionrefine-code/refine-spec/request-input/continue驱动下一轮并用budget_exceeded()在 Token 预算耗尽时停下询问用户。需要注意的是适用边界fit 只做局部坐标下降适合微调小参数向量它依赖调用方提供的确定性 objectiveDivine Eye 的全局像素对齐信号在照片参考 vs 程序化重建场景下会受到取景/背景/光照的干扰详见 grimoire/review/self_correction.md 的 Divine Eye caveat 与 grimoire/review/divine_eye_microscope.md 的微观尺度限制因此在接入前应确认你的 objective 确实能区分好与坏的候选——这正是 WS4 拟合把搜索与门控感知的评估器绑定的原因所在。小结Analysis-by-synthesis fitting 是 img2threejs WS4 阶段的关键机制它把逼近参考图从自由猜测变成一次确定、有界、可审计的搜索fit()提供纯标准库的有界坐标下降与四类停止条件fit_against_divine_eye()将参数→渲染→Divine Eye 评估串成门控感知的 objectivecorrection_loop.decide()则给出带优先级的状态机停止策略与动作路由budget_exceeded()兜住 Token 成本。三者组合就构成了文档开头所说的有界的艺术家修正过程——每一次参数调整都有依据、有上限、有记录这正是可复现、可调试、可交付的程序化 Three.js 重建流水线所依赖的品质。赞分享人工智能AI 技能3D渲染【免费下载链接】img2threejsRebuild the object in a reference image as a code-only, procedural, quality-gated, animation-ready Three.js model. Token-efficient image-to-3D.项目地址https://gitcode.com/gh_mirrors/im/img2threejs点击查看免费下载相关推荐img2threejs 质量门禁体系全解从 Divine Eye 到装配门的确定性质量契约img2threejs 质量门禁体系全解从 Divine Eye 到装配门的确定性质量契约 本文是 img2threejs 项目 质量门禁总契约 https:人工智能AI 技能3D渲染手写 Agentic Loop用 while 循环把函数调用变成真正的 AgentLLM Zoomcamp 实战手写 Agentic Loop用 while 循环把函数调用变成真正的 AgentLLM Zoomcamp 实战 在 LLM Zoomcamp 的 202示例工程教程人工智能大模型Sealed Secrets 校验实战使用 kubeseal --validate 验证已有 SealedSecret 的正确性Sealed Secrets 校验实战使用 kubeseal validate 验证已有 SealedSecret 的正确性 导读 Sealed Secret云原生应用安全运维上一篇CloudBase-AI-ToolKit环境配置问题排查指南下一篇DBX Agent 发布清单全解析从本地校验到 Release Tag 的完整发布流程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
