ViewDiffは、事前学習済みのテキスト画像変換モデルを事前知識として利用し、現実世界のデータから多視点整合性の高い画像を生成する手法です。U-Netネットワークに3Dボリュメトリックレンダリングとクロスフレームアテンション層を追加することで、単一のノイズ除去プロセスで3D整合性の高い画像生成を実現します。既存手法と比較して、ViewDiffはより優れた視覚的品質と3D整合性を備えた結果を提供します。