Die Erzeugung von hochwertigen 3D-Modellen aus einem einzigen 2D-Bild stellt eine bekannte Herausforderung in der Bildverarbeitung dar. Traditionelle Verfahren basieren auf photogrammetrischen Ansätzen bzw. Mehrbildmethoden, was die Rekonstruktion in Szenarien erschwert, in denen solche Daten nicht verfügbar sind. Um dieser Einschränkung zu begegnen, wird eine Pipeline vorgeschlagen, die mehrere KI-gesteuerte Techniken für die strukturierte 3D-Rekonstruktion mit einem einzigen Bild integriert. Die Pipeline beginnt mit der Segmentierung unter Verwendung des Segment Anything Model (SAM), das eine präzise Objektisolierung gewährleistet. Die Objektklassifizierung folgt unter Verwendung des wissensbasierten Frameworks von KnowDIP, das ontologiebasiertes Denken, regelbasierte Algorithmen und Merkmalsextraktion kombiniert, um die Klassifizierungsgenauigkeit zu verbessern. Linked-Open-Data-(LOD-)Quellen wie DBpedia und Wikidata bieten geometrische Einschränkungen und kontextbezogenes Wissen, das den Rekonstruktionsprozess leitet. Diese Einschränkungen verfeinern die Ausgabe des Large Reconstruction Model (LRM), das ein anfängliches 3D-Netz mit einer einzigen Ansicht erzeugt. In der letzten Phase werden Mesh-Reparatur und semantische Verfeinerung angewendet, um sicherzustellen, dass das rekonstruierte Modell vielfältig, z. B. für Visualisierung, Holographie und 3D-Druck, geeignet ist. Die Pipeline generiert exakte 3D-Modelle und bietet eine effektive Alternative, die auf einem einzigen Bild für die 3D-Rekonstruktion basiert, wenn herkömmliche Multi-View-Ansätze nicht möglich sind. Es zeigt jedoch eine leichte Tendenz zu orthogonalen Perspektiven, was gelegentlich zu geringfügigen geometrischen Fehlern bei extremen Perspektivverzerrungen führen kann. Dieser Ansatz wird auf shinai3d.com eingesetzt und ermöglicht kostenlose Tests der Methode. Zukünftige Arbeiten werden sich auf die Verfeinerung von Perspektivenkorrekturtechniken konzentrieren, um die geometrische Genauigkeit in schwierigen Fällen weiter zu verbessern.