ViewDiff est une méthode qui utilise un modèle pré-entraîné texte-vers-image comme connaissance a priori pour apprendre à générer des images cohérentes sous plusieurs angles à partir de données du monde réel. En intégrant le rendu volumique 3D et une couche d'attention inter-images dans un réseau U-Net, il est capable de générer des images 3D cohérentes en un seul processus de débruitage. Comparé aux méthodes existantes, ViewDiff produit des résultats de meilleure qualité visuelle et de meilleure cohérence 3D.