# ReconViaGen 0.5 API

> بازسازی چندنمایی تصویر به 3D که از 1 تا 16 عکس یک شیء، مش GLB بافت‌دار تولید می‌کند

از `image_urls` یک مدل 3D می‌سازد که 1 تا 16 نمای یک شیء را می‌گیرد؛ نماهای بیشتر بازسازی را بهبود می‌دهند. فایل GLB با مواد PBR برمی‌گرداند. `resolution` می‌تواند 512، 1024 یا 1536، `texture_size` می‌تواند 1024، 2048 یا 4096 باشد و `decimation_target` تعداد رأس‌های مش را از 5,000 تا 2,000,000 تعیین می‌کند. `ss_source` و `multi_image_strategy` نحوه ترکیب ساختار و نماها را انتخاب می‌کنند و کنترل‌های هدایت و نمونه‌برداری مرحله‌ای نیز ارائه می‌شود.

- Model id: `reconviagen-0.5`
- Made by: Open model
- Category: Image to 3D
- Output: 3d
- Price: from $0.25 / request (cheapest run $0.25 (250 API credits))
- Run: `POST https://api.doitong.com/v1/run/reconviagen-0.5`
- Quote: `POST https://api.doitong.com/v1/quote/reconviagen-0.5`
- Docs page: https://doitong.com/fa/developers/models/reconviagen-0.5

## Pricing

Price: **from $0.25 / request** (the lowest tier; the quote prices your exact input). Billed once per request.

Price rules (the first rule that matches the input wins; a parameter you leave out counts as its default):

- When `resolution` = 1024: $0.30 (300 API credits) / request
- When `resolution` = 1536: $0.35 (350 API credits) / request

The full example input below costs $0.30 = 300 API credits (1 request × 300 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.com/v1/quote/reconviagen-0.5` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

Send either the canonical name or the native field name (not both). Canonical names are the same across models.

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `seed` |  | integer \| null | no |  |  | seed استفاده‌شده برای تولید تصادفی تکرارپذیر. |
| `resolution` |  | enum (integer) | no | `1024` | `512`, `1024`, `1536` | وضوح خروجی؛ افزایش آن جزئیات را بیشتر اما پردازش را طولانی‌تر می‌کند. |
| `ss_source` |  | enum (string) | no | `mesh` | `direct`, `mesh`, `mvtrellis2` | منبع مورد استفاده برای ساخت ساختار تنک. برای بیشترین سرعت 'direct'، برای بالاترین کیفیت 'mesh' و برای پردازش چندنما با TRELLIS.2، گزینه 'mvtrellis2' را انتخاب کنید. |
| `ss_guidance_strength` |  | number | no | `7.5` | 0 – 10 | وفاداری ساختار سه‌بعدی اولیه به ورودی را کنترل می‌کند؛ با افزایش این مقدار، نویز احتمالی بیشتری در ازای تطابق نزدیک‌تر ایجاد می‌شود. |
| `ss_guidance_rescale` |  | number | no | `0.7` | 0 – 1 | کاهش مصنوعات ناشی از هدایت شدید در مرحله 1. |
| `ss_sampling_steps` |  | integer | no | `12` | 1 – 50 | تعداد گام‌های حذف نویز برای ایجاد ساختار اولیه. |
| `ss_rescale_t` |  | number | no | `5` | 1 – 6 | تیزی زمان‌بندی نویز هنگام تولید ساختار. |
| `slat_guidance_strength` |  | number | no | `7.5` | 0 – 10 | شدت هدایت مرحله SLat؛ فقط زمانی اعمال می‌شود که ss_source روی 'mesh' تنظیم شده باشد. |
| `slat_guidance_rescale` |  | number | no | `0.5` | 0 – 1 | بازمقیاس‌دهی هدایت مرحله SLat؛ فقط زمانی اعمال می‌شود که ss_source روی 'mesh' تنظیم شده باشد. |
| `slat_sampling_steps` |  | integer | no | `12` | 1 – 50 | تعداد گام‌های نمونه‌برداری مرحله SLat؛ فقط زمانی اعمال می‌شود که ss_source روی 'mesh' تنظیم شده باشد. |
| `slat_rescale_t` |  | number | no | `3` | 1 – 6 | تنظیم Rescale T در مرحله SLat؛ فقط زمانی اعمال می‌شود که ss_source روی 'mesh' تنظیم شده باشد. |
| `shape_slat_guidance_strength` |  | number | no | `7.5` | 0 – 10 | میزان پایبندی به ورودی هنگام تولید هندسه دقیق. |
| `shape_slat_guidance_rescale` |  | number | no | `0.5` | 0 – 1 | کاهش مصنوعات ناشی از هدایت شدید در مرحله شکل. |
| `shape_slat_sampling_steps` |  | integer | no | `12` | 1 – 50 | تعداد گام‌های حذف نویز برای اصلاح شکل. |
| `shape_slat_rescale_t` |  | number | no | `3` | 1 – 6 | تیزی زمان‌بندی نویز هنگام اصلاح شکل. |
| `tex_slat_guidance_strength` |  | number | no | `1` | 0 – 10 | میزان پایبندی بافت به رنگ‌های ورودی. |
| `tex_slat_guidance_rescale` |  | number | no | `0` | 0 – 1 | کاهش مصنوعات ناشی از هدایت شدید در مرحله بافت. |
| `tex_slat_sampling_steps` |  | integer | no | `12` | 1 – 50 | تعداد گام‌های حذف نویز استفاده‌شده برای تولید بافت‌ها. |
| `tex_slat_rescale_t` |  | number | no | `3` | 1 – 6 | تیزی زمان‌بندی نویز هنگام تولید بافت‌ها. |
| `decimation_target` |  | integer | no | `500000` | 5,000 – 2,000,000 | تعداد رأس مورد نظر برای مش کامل. |
| `texture_size` |  | enum (integer) | no | `2048` | `1024`, `2048`, `4096` | وضوح مورد استفاده برای تصویر بافت پخته‌شده مش. |
| `image_urls` | `images` | array of image URL | yes |  | 1 – 16 items | نماها را برای بازسازی سه‌بعدی ارائه کنید: یک نما کافی است، اما نماهای بیشتر کیفیت را بهبود می‌دهند و همه باید یک شیء یکسان را نشان دهند. |
| `multi_image_strategy` |  | enum (string) | no | `adaptive_guidance_weight` | `average_right`, `weighted_average`, `sequential`, `average`, `adaptive_guidance_weight`, `fixed_guidance_rescale` | راهبرد شرطی‌سازی چندنما که فقط با چند تصویر ورودی کاربرد دارد؛ در بیشتر موارد برای بهترین نتیجه 'adaptive_guidance_weight' را انتخاب کنید. |
| `enable_safety_checker` |  | boolean | no | `true` |  | با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد. |

File parameters (`images`) take a public `https://` URL, a `data:` URI up to 10 MB, or the `file_url` of an upload from `POST /files`.

## Example input

Required parameters only:

```json
{
  "images": [
    "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  ]
}
```

A fuller example:

```json
{
  "image_urls": [
    "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  ]
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/reconviagen-0.5?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image_urls": [
      "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
    ]
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.com/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/reconviagen-0.5?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "image_urls": [
      "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
    ]
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.com/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "image_urls": [
        "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    ],
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/reconviagen-0.5", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])
```

### MCP

The MCP server at `https://api.doitong.com/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "reconviagen-0.5",
      "input": {
        "image_urls": [
          "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
        ]
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "reconviagen-0.5",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 300,
    "usd": "0.30",
    "charged": 300,
    "refunded": 0
  },
  "input": {
    "image_urls": [
      "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
    ]
  },
  "output": {
    "model_glb": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "seed": 42
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `model_glb` | object {url, content_type, file_name, file_size} | GLB تولیدشده حاوی یک مدل سه‌بعدی با مواد PBR. |
| `seed` | integer | seed اعمال‌شده هنگام تولید. |

## Related models

- [Pixal3d](https://doitong.com/developers/models/pixal3d.md) (`pixal3d`): from $0.30 / request
- [Hi3D Image to 3D](https://doitong.com/developers/models/hitem3d/hi3d/image-to-3d.md) (`hitem3d/hi3d/image-to-3d`): $0.50 / run
- [Hi3D Image to 3D · v3.0](https://doitong.com/developers/models/hitem3d/hi3d/v3.0/image-to-3d.md) (`hitem3d/hi3d/v3.0/image-to-3d`): from $1.80 / run
- [Hi3D Multiview to 3D · Multi View to 3D](https://doitong.com/developers/models/hitem3d/hi3d/multi-view-to-3d.md) (`hitem3d/hi3d/multi-view-to-3d`): $0.50 / run
- [Hi3D Multiview to 3D · v3.0 · Multi View to 3D](https://doitong.com/developers/models/hitem3d/hi3d/v3.0/multi-view-to-3d.md) (`hitem3d/hi3d/v3.0/multi-view-to-3d`): from $1.80 / run
- [Hunyuan 3D Pro Image to 3D](https://doitong.com/developers/models/hunyuan-3d/v3.1/pro/image-to-3d.md) (`hunyuan-3d/v3.1/pro/image-to-3d`): $0.375 / run
- [Hunyuan 3D Rapid Image to 3D](https://doitong.com/developers/models/hunyuan-3d/v3.1/rapid/image-to-3d.md) (`hunyuan-3d/v3.1/rapid/image-to-3d`): from $0.225 / request
- [Hunyuan World · Image to World](https://doitong.com/developers/models/hunyuan_world/image-to-world.md) (`hunyuan_world/image-to-world`): $0.30 / request

## Links

- HTML page: https://doitong.com/developers/models/reconviagen-0.5
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=reconviagen-0.5
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/reconviagen-0.5