最近的工作表明，可以通过合成神经辐射场渲染的特征来训练生成的对抗网络（GAN）从2D图像集合中生成3D内容。但是，大多数这样的解决方案都会产生光彩，并与材料纠缠在一起。这会导致不切实际的外观，因为照明无法更改，并且依赖视图（例如反射）的效果无法正确移动。此外，许多方法对于完整的360°旋转都很难，因为它们通常是专为面孔诸如面孔的主要场景而设计的。我们引入了一个新的3D GAN框架，该框架解决了这些缺点，允许多视图相干360◦查看，同时重新查看具有闪亮反射的对象，我们使用CAR数据集进行了体现。我们解决方案的成功源于三个主要贡献。首先，我们估算了最初的摄像头为汽车图像数据集，然后在训练GAN时学会完善相机参数的分布。第二，我们提出了一个有效的基于图像的照明模型，我们在3D GAN中使用该模型来产生分离的反射率，而不是在以前的大多数工作中合成的辐射。该材料用于使用环境图的数据集进行基于物理的渲染。第三，我们与以前的工作相比，我们改善了3D GAN体系结构，并设计了允许有效分解的仔细培训策略。我们的模型是第一个生成各种3D汽车一致的3D车，并且可以与任何环境图进行交互式保存。