ABot-Earth 0.5：生成式3D地球模型

首个从卫星图像生成行星尺度无缝3D环境的生成式框架

前置知识

3D Gaussian Splatting (3DGS)

一种新兴的3D场景表示方法，使用3D高斯椭球体来表示场景中的每个点。每个高斯包含位置、旋转、尺度、透明度和颜色等属性，通过可微的光栅化管线实现高效渲染。3DGS能够原生地处理复杂的非流形拓扑结构，如茂密的植被、建筑立面和镜面水面，在渲染保真度方面超越传统的网格和NeRF表示。

本文采用原生3DGS生成框架，直接在高斯空间进行生成，避免了基于网格假设的限制。3DGS表示使模型能够处理真实世界环境的复杂性和保真度，是本文技术路线的核心基础。

Level-of-Detail (LOD)

多细节层次技术，为同一场景创建多个不同精度的版本。在高精度版本中保留完整的几何细节和纹理，在低精度版本中通过简化或抽稀减少数据量。根据相机距离动态选择合适的LOD级别，远处使用低精度版本，近处使用高精度版本，从而实现流畅的交互式浏览体验。

本文创新性地提出固有多层次细节解码器，将LOD直接集成到生成过程中，而非后处理步骤。这使得3.2万亿个高斯原语的行星级数据能够实时交互浏览，是工程部署的关键创新。

Fréchet Inception Distance (FID)

一种评估生成图像质量的指标，通过计算生成图像分布和真实图像分布在Inception网络特征空间中的Fréchet距离来衡量。FID值越小表示生成质量越高，能够反映生成图像的多样性和真实感。相比传统指标如PSNR和SSIM，FID更能感知图像的语义一致性和整体质量。

本文使用FID作为主要评估指标，在图像生成任务上达到FID=16.1，相比最佳基线EarthCrafter的FID=69.5有显著提升。这个定量结果证明了模型在生成保真度方面的优势。

Sim-to-Real Domain Gap

模拟环境与真实环境之间的差异，包括视觉外观、物理规律、传感器特性等多个维度。在机器人导航、自动驾驶等应用中，如果训练数据主要来自模拟环境而测试在真实环境进行，域差距会导致性能显著下降。缩小域差距是实现从仿真到现实迁移的关键挑战。

本文的核心动机之一就是缓解这个域差距。现有户外生成器依赖合成虚拟资产或不受约束的想象场景，缺乏真实世界物理和地理空间真实性。ABot-Earth 0.5直接在高质量真实世界重建上训练，为下游仿真应用提供了真实感基础。

Web Mercator Projection (EPSG:3857)

Web地图服务广泛使用的地图投影，将地球表面投影到平面上。这种投影在高纬度地区会产生显著的面积扭曲，相同纬度的像素对应的实际地面距离会随纬度升高而增加。对于需要精确尺度控制的3D重建和生成任务，必须考虑这种畸变。

本文在预处理阶段专门处理Web Mercator瓦片的尺度畸变问题，通过各向同性重采样确保所有纬度的有效地面采样距离（GSD）一致。这是保证全球范围内生成质量稳定的关键工程细节。

研究动机

大规模3D地理空间重建面临根本性限制。传统的基于密集倾斜摄影测量和LiDAR扫描的管道存在极端的数据采集成本、延长的处理延迟和高计算壁垒，使得实时或按需行星级建模成为长期挑战。例如，Google Earth的3D几何仅覆盖扫描过的都市区域，即使在已覆盖区域内，数据也经常遗漏非中央商务区（CBD）区域。商业摄影测量管道（如Google Earth）的几何变化通常需要数月到数年才能从图像采集传播到渲染器，难以满足快速更新或未映射区域合成的需求。现有户外场景生成器的另一个主要限制是严重依赖合成虚拟资产或不受约束的想象场景幻觉，这些生成环境本质上是人工的，缺乏真实世界的物理和地理空间真实性，导致严重的模拟到现实域差距，使其对严格的下游仿真和现实世界传递不切实际。

本文的目标是本文提出ABot-Earth 0.5，一个生成式3D框架，旨在从普遍存在的、地理空间参考的卫星图像合成广阔、无缝的3D环境。具体目标包括：建立可扩展的、全球一致的条件信号，利用全球普遍存在的、地理空间参考的遥感图像作为理想的条件蓝图；实现真实的3D场景生成，能够在不知道精确采集角度或多视重叠的情况下，仅根据卫星图像合成新颖的3D场景；在保持卓越视觉质量的同时实现可扩展的生成速率（每平方公里不到10分钟）；支持实时、交互式的网络地图引擎可视化，通过集成的分层层次细节（LOD）结构实现；为关键的下游具身AI应用（如闭环无人机导航）提供高保真仿真沙箱，缓解模拟到现实域差距。

与已有工作不同的是，现有户外场景生成器的一个根本限制是严重依赖合成虚拟资产或不受约束的想象场景幻觉。这些生成环境本质上是人工的，缺乏真实世界的物理和地理空间真实性，无法弥合严重的模拟到现实域差距，使其对严格的下游仿真和现实世界传递不切实际。另一个关键差距是尺度挑战：现有研究主要关注生成孤立或有限区域的场景，而ABot-Earth 0.5是第一个直接处理创建连续、交互式、地球尺度3D环境挑战的方法。此外，现有的以对象为中心的生成器（如TRELLIS、Hunyuan3D、Seed3D）设计用于干净的3D网格资产，但真实世界的户外环境富含复杂的非流形拓扑结构（如茂密植被、建筑立面、镜面水面），这些结构更忠实地由3DGS捕获。本文填补这些空白的方法是：直接在高质量真实世界城市重建上训练，而非依赖合成资产；将3D生成直接构建在本机3DGS生成空间中，处理真实世界捕获的复杂性和保真度；设计行星级规模部署的两阶段端到端管道，从算法到行星尺度系统。

核心方法

ABot-Earth 0.5采用压缩-生成范式，直接在3DGS表示上工作。整体框架包括数据管道、方法创新和工程部署三个层次。数据管道从多源（卫星、航空、城市）收集大规模真实世界图像，通过ABot-3DGS重建引擎转换为城市场景的3DGS表示，然后进行空间分割和多视图渲染以生成训练瓦片，最后通过多粒度质量评估和策展确保只有高质量的样本进入最终训练集。方法层面包含四个核心创新：原生3DGS生成框架直接在高斯空间进行生成；固有多层次细节解码器将LOD深度集成到生成过程中；无缝滑动窗口推理策略通过智能混合重叠区域减少拼接伪影；跨域条件适应策略通过训练时模拟卫星视图渲染和推理时VLM驱动的harness确保条件鲁棒性。工程部署包括全球规模3DGS生产管道和可扩展后处理渲染管道EarthScape，最终在云镜渲染引擎上实现实时交互式浏览。

本文的核心创新是将3D生成直接构建在本机3DGS生成空间中，而非先生成其他表示再转换。这个本质区别使模型能够处理真实世界户外环境的复杂性和保真度，而不受基于网格假设的约束。压缩-生成范式首先从包含数百万非结构化高斯原语的高质量、真实世界3DGS场景中学习紧凑的潜在空间，然后直接在这个本机格式中生成新颖场景。另一个关键区别是将层次细节（LOD）深度集成到生成过程本身，而非作为后处理步骤，允许按需生成适当细节级别。这与现有对象中心生成器形成鲜明对比，后者设计用于干净的3D网格资产，无法处理真实世界户外环境的复杂非流形拓扑结构。

方法步骤详情

完整方法流程包含以下步骤。第一步是数据收集：从卫星（多立体卫星图像）、航空（高分辨率倾斜航空数据）和城市（街景视频、无人机镜头）三个互补类别收集真实世界图像，每个类别结合专有收购和策展的公共数据集，所有来源在进入ABot-3DGS管道前经过统一的坐标变换和元数据标准化。第二步是城市场景重建：通过ABot-3DGS将多源图像转换为3DGS表示，该引擎通过分层块架构（将城市场景分割为独立可优化块）、几何和细节优化（利用几何先验、深度估计和多视图几何一致性）、场景鲁棒性（语义感知优化、多层外观变化建模、动态元素检测移除）和跨视图质量增强（跨视图匹配、3D一致图像生成）来解决空间范围大、场景内容异质、多源数据差异大的挑战。第三步是训练瓦片生成：对3DGS场景应用滑动窗口策略，每个瓦片覆盖200m×200m区域，相邻瓦片重叠以提供边界上下文，每个瓦片标准化为标准坐标系并通过聚类清理移除浮动伪影；虚拟相机阵列分布在多个海拔层，每层具有特定视场设置，覆盖从垂直到倾斜视图的俯仰角范围，倾斜视图在多个罗盘方向采样以捕获所有朝向的立面细节，对相机位置、海拔、俯仰和偏航应用随机扰动进一步增加视点多样性；从相同场景渲染模拟卫星视图图像以提供模型训练的条件输入。第四步是数据质量评估：建立三级质量评估框架，瓦片级3DGS重建评估（参考指标PSNR/SSIM/LPIPS、几何精度、VLM感知质量分数、空间完整性）、视图级渲染评估（首先丢弃低累积不透明度视图以消除空白和边界区域，然后VLM对剩余视图在纹理锐度、伪影不存在和整体感知质量上评分）、数据集级策展（空间多样性平衡跟踪场景类别并应用分层采样，语义去重在嵌入空间聚类瓦片并对近重复进行下采样以避免模式崩溃）。第五步是原生3DGS生成框架：采用压缩-生成范式直接在3DGS表示上工作，从包含数百万非结构化高斯原语的高质量真实世界3DGS场景中学习紧凑潜在空间，然后直接在本机格式中生成新颖场景，处理真实世界户外环境的复杂非流形拓扑结构。第六步是固有多层次细节解码：设计固有多层次细节解码器深度集成到生成过程中，直接合成层次3DGS结构，允许按需生成适当细节级别，支持流畅的实时在线可视化而无需存储或处理场景的多个离散版本。第七步是无缝滑动窗口推理：提出高效的无缝滑动窗口推理策略，在生成阶段智能混合重叠区域，通过仔细管理相邻瓦片在这些过渡区域内的影响，显著减少拼接伪影，使渲染广阔无缝景观成为可能。第八步是跨域条件适应：采用两阶段方法，训练时从训练数据模拟卫星视图渲染以为模型提供一致的条件输入，推理时引入新颖的VLM驱动的harness动态调整条件以适应真实世界卫星输入的具体特征，确保从任何真实世界卫星图像可靠和高保真的3D内容生成。第九步是全球规模3DGS生产管道：使用基于瓦片的并发生产管道，在A100 GPU上单次推理可以处理4K分辨率卫星图像，对应地面覆盖约1.6km×1.6km（2.56km²），在1000-GPU集群配置下单瓦片推理约25分钟完成，包含超过300个并发批次的整个生产运行估计在不到10天内完成，最终输出包含数百亿个高斯原语，记录每个瓦片的地理边界框以提供全球坐标变换的必要锚点。第十步是EarthScape可扩展渲染管道：地理统一坐标变换将每个推理块通过仿射变换参数恢复到其投影坐标空间（EPSG:3857），然后在瓦片中心建立ENU（东-北-上）局部切平面坐标系，所有高斯原语统一变换到这个ENU帧；LOD数据重组将所有高斯重新分配到标准地图瓦片层次（zoom/x/y），跨越推理块边界合并数据，创建跨越缩放级别14到19的6级LOD结构，三个最高精度级别（zoom 17-19）由推理模型本身原生生成以避免下采样质量损失，三个较低精度级别（zoom 14-16）使用由Bhattacharyya距离引导的统计抽稀方案从zoom-17数据生成，该方案在高斯参数上解析运行，允许将此任务卸载到CPU并与基于GPU的推理并行运行；渲染调度利用Amap云镜渲染引擎的原生瓦片调度能力，每帧动态计算相机视口所需的瓦片集和精度级别，近景视图加载高精度瓦片（zoom 17-19），远景视图加载粗粒度瓦片（zoom 14-15），级别间平滑淡入淡出过渡，最终实现万亿规模全球3DGS数据集的实时交互渲染。

技术新颖性

ABot-Earth 0.5的技术新颖性体现在多个维度。在表示层面，这是第一个原生3DGS生成框架，直接在高斯空间进行生成，避免了基于网格假设的限制，能够处理真实世界户外环境的复杂非流形拓扑结构如茂密植被、建筑立面和镜面水面。在架构层面，固有多层次细节解码器将LOD深度集成到生成过程本身，而非后处理步骤，这是一个根本性的架构创新，使得按需生成适当细节级别成为可能，支持流畅的实时在线可视化。在推理策略层面，无缝滑动窗口推理策略通过智能混合重叠区域减少拼接伪影，使得渲染广阔无缝景观成为可能，解决了大规模生成中的空间连贯性挑战。在条件鲁棒性层面，跨域条件适应策略的两阶段方法（训练时模拟、推理时VLM驱动适应）确保从任何真实世界卫星图像可靠和高保真的3D内容生成，解决了卫星图像在全球范围内的质量、分辨率和采集角度显著差异的问题。在系统层面，从算法到行星尺度系统的两阶段端到端管道（全球规模3DGS生产和EarthScape可扩展渲染）实现了3.2万亿高斯原语的实时交互浏览，这是第一个实现地球尺度3D环境生成和实时交互的系统。在应用层面，这是第一个将生成3D环境作为可编辑和可扩展平台的工作，支持混合生成-重建方法集成高保真地标模型，为城市规划者、紧急指挥官和商业客户提供了动态数据流融合的可能性。

**Figure 2**: Data pipeline overview. Multi-source imagery is reconstructed into 3DGS scenes via ABot-3DGS, then spatially partitioned into tiles and rendered from multi-view cameras. Multi-granularity quality assessment and curation at the tile, view, and dataset levels ensure only high-fidelity samples enter the final training set.

**Figure 3**: Data sources overview. Satellite, aerial, and urban imagery provide complementary viewpoint coverage for large-area reconstruction. Each category combines proprietary and public sources.

**Figure 4**: (a) The tile-based production pipeline partitions the globe for parallel inference. (b) Hierarchical LOD tiles are generated for efficient, multi-resolution streaming.

实验结果

在生成保真度评估中，ABot-Earth 0.5在标准FID和KID指标上达到最先进性能。本文方法在FID上达到16.1，比之前最佳的EarthCrafter的69.5有显著提升，在KID上达到0.006，比EarthCrafter的0.061也有大幅改进。这个结果特别有说服力，因为本文的指标是基于从高度复杂的真实世界3DGS重建渲染的地面真值分布基准测试的，这构成了比更约束或合成数据集上的评估更大的建模挑战，强调了模型在捕捉真实航空环境的照片真实感和错综复杂细节方面的优越能力。在系统级适用性评估中，与两个领先的商业解决方案Google Earth（基于摄影测量的行星级重建行业标准）和Marble（最先进的闭源程序化3D世界生成平台）进行比较。在空间覆盖范围方面，ABot-Earth 0.5的生成范式提供显著优势，如图7所示，Google Earth的覆盖范围受物理采集约束，其高保真3D几何仅限于调查良好的都市区域，根据其官方平台，3D资产仅覆盖全球国家的少数部分，即使在这些区域内，数据也经常稀疏，经常遗漏非CBD区域，相比之下，通过利用连续潜在空间，ABot-Earth 0.5为广阔地区（包括众多发展中国家和小城市）快速提供3D资产，如图6所示，ABot-Earth 0.5成功生成爱尔兰的合理3D场景，而Google Earth缺乏此区域的扫描数据，退回到2D图像。在效率方面，ABot-Earth 0.5表现出明显优势，仅需要卫星图像作为输入，可以在不到10分钟内生成1km²，为按需3D环境创建提供了卓越的及时性，相比之下，商业摄影测量管道是缓慢的批处理工作，Google Earth的几何变化通常需要数月到数年才能从图像采集传播到渲染器。在视觉质量和美学方面，进行了全面的人类研究，定义三个组成部分：几何精度（结构完整性）、纹理保真度（表面细节表示）和整体美学（整体吸引力，包括光照和色彩和谐），值得注意的是ABot-Earth 0.5实现比Google Earth更高的美学分数，作者将这归因于美学判断的整体性质：观察者通常优先考虑合理的光照和色彩和谐而非微观级纹理精度，模型在复制这些整体照片真实质量方面表现出色，相反，Google Earth在几何和纹理保真度方面保持优势，这是预期结果，因为Google的重建算法经过多年精心优化，融合了复杂的策略如优化的航空调查模式、强先验（曼哈顿世界假设）和广泛的手动后处理，作者将这个当前质量差距比作专业艺术家手工制作的3D模型和第一代生成模型之间的差异，然而作者相信这个质量差距不是根本性的，随着ABot-Earth 0.5的持续进化，有信心生成能力将逐步缩小这个差距。在地标增强探索方面，混合生成-重建方法成功将选定的地标（埃菲尔铁塔、罗马斗兽场、美国国会大厦、凯旋门）通过经典的运动恢复结构和多视图立体管道（COLMAP）从众包图像创建密集重建，转换为原生3D高斯溅射格式，地理注册并合成到生成合成的环境中，如图8所示，这表明ABot-Earth作为可编辑和可扩展平台的潜力。在生产规模方面，全球规模3DGS生产管道产生约320,000个推理块，包含约3.2万亿高斯原语，在1000-GPU集群配置下，单瓦片推理约25分钟完成，包含超过300个并发批次的整个生产运行估计在不到10天内完成，这在系统级实现了从算法到行星尺度系统的转换。

**Table 1**: Open-source real-world datasets used in our data pipeline, covering satellite, aerial, and ground-level viewpoints.

**Table 2**: Quantitative comparison on images. FID/KID values for baselines are computed using different GT sets than ours. In addition, the poses/viewpoints used for evaluation differ across methods (e.g., different near/far sampling). The reported metrics are for reference only.

**Figure 5**: LOD rendering in the map engine, enabling seamless exploration from global to street-level views.

**Figure 6**: (a) Google Earth (New Zealand) (b) ABot-Earth 0.5 (New Zealand) (c) Google Earth (Japan) (d) ABot-Earth 0.5 (Japan) (e) Google Earth (Ireland, no 3D tile) (f) ABot-Earth 0.5 (Ireland)

**Figure 7**: (a) Overall comparison. (b) Continental 3D coverage comparison.

**Figure 8**: Landmark integration results. We composite reconstructed landmarks into our generative environments. Top-down views are in the leftmost column, with oblique renderings in the others. From top to bottom: Eiffel Tower, Colosseum, US Capitol, and Arc de Triomphe.

查看结构化数据

任务	指标	本文	基线	提升
户外场景生成	FID	16.1	EarthCrafter	提升77%
户外场景生成	KID	0.006	EarthCrafter	提升90%
生成效率	生成速率	<10分钟/km²	Google Earth	数月/数年 -> 数分钟
空间覆盖	覆盖范围	无限（生成式）	Google Earth	稀疏（仅扫描区域） -> 无限
视觉质量	美学评分	高于Google Earth	Google Earth	在整体美学方面超越

局限与改进

作者承认几个局限性。首先，在几何和纹理保真度方面，与Google Earth等专业重建算法仍存在差距，作者将这比作专业艺术家手工制作的3D模型和第一代生成模型之间的差异，虽然作者相信这个质量差距不是根本性的，但当前版本尚未达到重建级保真度。其次，推理块之间的无缝性当前在1.6km×1.6km块内实现近乎完美的无缝性，但跨块的无缝推理策略仍在未来迭代中是关键目标，这是由于当前硬件限制（VRAM容量）导致的务实选择。第三，数据集多样性可能受城市形态限制，尽管作者声称在绝大多数全球大都市地区以及众多非城市自然地形上成功验证了模型性能，但存在模式崩溃风险。第四，生成内容可能缺乏建筑级别的精细度，对于某些特定类型的地标（如世界知名结构），用户将其直接与既定的心理图像比较，简单扩大生成工作通常不切实际。第五，大规模部署需要巨大的计算资源，1000-GPU集群配置对大多数研究机构和中小型企业来说是不可及的。除了作者承认的局限性外，本文还存在一些额外限制：模型完全依赖于卫星图像作为条件输入，对于卫星图像质量极差或完全无法获得的地区（如极地、某些军事禁区），模型可能无法生成满意的3D环境；当前主要针对航空级视图，地面级的街道细节尚未达到；虽然提到了模拟到现实域差距的缓解，但缺乏在真实具身AI任务（如无人机导航）上的端到端评估；VLM驱动的harness在推理时的计算开销可能影响实时性；对于季节性变化、动态天气效果等时间维度变化尚未充分探索；模型的可解释性和可控性相对有限，用户难以对生成的特定属性进行精细控制。

独立分析的弱点

ABot-Earth 0.5存在几个潜在弱点，每个都有相应的改进方向。第一，生成质量与专业重建算法的差距可能源于训练数据的偏差和模型架构的限制。改进方向包括：扩大数据集的地理和形态多样性，纳入更多不同气候、建筑风格、地形的样本；探索更复杂的生成架构，如结合扩散模型的迭代细化；引入几何先验约束（如曼哈顿世界假设、道路网络先验）提升结构合理性。第二，跨块无缝性的限制源于硬件VRAM约束。改进方向包括：开发更高效的内存管理策略，如梯度检查点、模型并行；设计跨块上下文传播机制，如边界条件编码器；探索渐进式生成策略，从低分辨率全局视图到高分辨率局部细节。第三，地标生成精度不足。改进方向包括：开发特定类型的条件生成模块，如地标类型嵌入；集成建筑知识库和风格先验；探索混合生成-检索方法，从数据库检索相似结构并生成式修改。第四，计算资源需求高。改进方向包括：模型蒸馏和剪枝以减少参数量；开发轻量级推理引擎；探索分布式推理和边缘计算方案。第五，对卫星图像质量敏感。改进方向包括：开发更鲁棒的条件编码器，集成超分辨率和去噪模块；引入多模态条件输入（如地形高程数据、土地覆盖分类）；设计自适应推理策略，根据输入质量调整生成参数。第六，缺乏时间维度。改进方向包括：引入时间维度到条件输入（如季节、天气、时间）；开发时间一致性生成机制；探索动态场景生成（如车辆、行人）。第七，缺乏端到端应用评估。改进方向包括：在真实具身AI任务上评估（如无人机导航、避障、控制）；开发下游应用的仿真接口；与机器人平台集成进行闭环测试。第八，可控性和可解释性有限。改进方向包括：引入层次化控制接口（如建筑密度、风格、材质）；开发交互式编辑工具；提供生成过程可视化和调试接口。

未来方向

作者提出的未来工作包括三个方面：将技术从天空带到地面，从当前的航空级3D过渡到街道级视图细节，同时探索更大的场景多样性并在输出中实现重建级保真度；系统验证控制户外3D场景生成的扩展定律，探索模型规模、数据规模、计算规模与生成质量之间的关系；使ABot-Earth成为未来3D世界的基础层，确保从数字孪生到机器人仿真等新一代应用都能受益并在此之上构建。基于本文成果可以延伸的未来研究方向包括：探索更复杂的条件生成，如结合地形高程数据、土地覆盖分类、气候信息等多模态输入；开发时间维度生成，支持季节变化、天气效果、昼夜循环等动态效果；扩展到室内场景，实现从室外到室内的连续3D环境生成；探索更高效的表示方法，如神经隐式表示与3DGS的混合；开发更强大的编辑和交互能力，如支持用户引导的生成、实时修改、风格迁移等；研究跨域迁移学习，如将预训练模型适应到特定城市或地区；探索联合训练策略，同时优化生成质量和下游任务性能；开发更先进的LOD策略，如自适应细节层次、内容感知LOD；研究小样本和零样本学习，减少对大规模训练数据的依赖；探索可解释性和可控性，如显式建模建筑结构、道路网络、植被分布等；开发评估基准和指标，专门针对大规模户外场景生成任务；研究可持续性和能源效率，减少大规模生成的计算开销；探索联邦学习框架，允许多机构协同训练而不共享原始数据；研究隐私和安全问题，如防止滥用技术生成虚假地理信息；开发教育和科普应用，如历史场景重建、城市规划可视化等。

复现评估

ABot-Earth 0.5的可复现性评估面临几个挑战。首先，数据来源方面：论文提到使用专有收购和策展的公共数据集，Table 1列出了使用的开源数据集包括DFC 2019（1K图像，25km²）、UrbanScene3D（128K图像，55km²）、UrbanBIS（113K图像，10.78km²）、CrossLoc（57K图像，2.7km²）、Mill-19（3.5K图像，0.18km²）、UAVD4L（0.3K图像，2.5km²）、DenseUAV（27K图像）、UC-GS（7K图像），这些数据集是公开可访问的，但专有收购的数据集无法获得。其次，模型代码方面：论文提到ABot-3DGS重建引擎、FromOrbit2Ground卫星重建模块、原生3DGS生成框架、EarthScape渲染管道等组件，但论文未明确说明这些组件是否开源，官方网站http://abot-earth.amap.com/可能提供更多信息和访问方式。第三，算力需求方面：大规模生产使用1000-GPU集群配置，单瓦片推理约25分钟，整个生产运行包含超过300个并发批次估计在不到10天内完成，这对大多数研究机构来说是不可及的，但小规模验证可能只需要少量GPU。第四，工程复杂度方面：从算法到行星尺度系统的两阶段端到端管道涉及复杂的工程部署，包括全球规模3DGS生产管道和EarthScape可扩展渲染管道，复现完整系统需要深厚的工程专业知识。第五，评估方面：论文提供了详细的定量和定性评估，包括与学术基线的FID/KID比较、与商业解决方案的系统级比较、人类研究等，这些评估方法是可复现的，但某些评估（如与Google Earth的质量比较）依赖于主观判断。总体而言，学术研究层面的核心方法（原生3DGS生成框架、固有多层次细节解码器、无缝滑动窗口推理、跨域条件适应）的理论复现是可行的，但完整的工程系统复现需要巨大的资源和工程投入，建议从核心算法验证开始，逐步扩展到系统级实现。

ABot-Earth 0.5：生成式3D地球模型 ABot-Earth 0.5: Generative 3D Earth Model