Есть ещё пару способов получения трёхмерного пространства. Один из них работает на основе видео, через CogVideoX. Второй — на основе статических изображений. И в одном, и в другом случае идея состоит в том, чтобы получать дополнительные, обычно четыре, ракурса и на их основе создавать облако точек. Просто в 2D это делается в разы быстрее, чем в 3D.

И первый, и второй вариант имеют проблемы с консистентностью, искажённой перспективой и т.д. Интерполяция вида не приносит должного выравнивания в объёме, и искажения всё равно остаются. Тут нужно идти через другие способы и "костыли", такие как использование симметрий, вспомогательной разметки, сегментации или входных данных в виде трёхмерных блокаутов либо хотя бы дополнительных ракурсов.

Ещё раз: проблема сейчас именно с консистентностью и выравниванием. Я даже готов двигать дополнительные тангенты, чтобы выравнивать промежуточные ракурсы и править перспективу через грид, но при этом не терять объёмы.

@CGIT_Vines