跳到主要内容
检索

# 三维生成

4 篇关联报道

订阅更新
  1. arXiv

    Position Forcing 让单阶段 3D 生成从 VecSet 隐变量中恢复位置并逐级量化,在 ULIP 与 Uni3D 四项指标上取得最佳或并列最佳

    该工作观察到 VecSet 隐变量 token 仍保留可恢复的空间对应关系,提出 Position Forcing:在去噪过程中从预测的干净隐变量恢复 token 位置,并按噪声水平逐级量化后经 3D RoPE 反馈给扩散 Transformer,从而在无需单独位置生成阶段的情况下为单阶段 3D 生成提供由粗到细的空间引导,在 ULIP 与 Uni3D 四项指标上取得最佳或并列最佳。

  2. arXiv

    ArticuTable 从单张 RGB 图像重建可执行部件级铰接的桌面场景,在 150 张参考图上取得最低 LPIPS 0.2398 与最高 DINOv2 0.8991,用户研究中 85.59% 排名第一

    该工作提出 ArticuTable 单图桌面场景重建框架:GRAM 用多模态大模型引导的关节拟合与语义状态推理,把不完美的单体代理网格转成可执行 URDF 铰接资产;PSGSR 用点云、俯视、输入视角三阶段渐进配准并结合结构感知语义位姿选择消解偏航歧义;在 150 张生成参考图上,其 LPIPS 0.2398、DINOv2 0.8991、CLIP 0.9265 均优于 ACDC、Gen3DSR、MIDI、TabletopGen,碰撞率 0.3819% 最低,用户研究中 85.59% 排第一,并发布 100 个可直接载入 Isaac Sim 的 USDZ 场景。

  3. arXiv

    OctLLM 用八叉树占用字节作为显式三维语言,在统一多模态模型中同时提升三维生成与理解并保持语言能力

    OctLLM 把网格转成坐标与深度锚定的稀疏八叉树(S-Octree)占用字节序列作为显式三维语言,并将三维容量放入与预训练权重分离的全秩分支,仅训练约 2.80B 参数;在统一多模态 LLM 中取得最佳三维生成与理解,图像到三维 Inception FID 由 ShapeLLM-Omni 的 38.21 降至 31.58,渲染接地描述评分由 18.14 升至 46.88,同时在 MMLU 与 HellaSwag 上完全复现骨干、GSM8K 相差不到一分。

  4. arXiv

    把几何写进生成状态:GAE 用几何原生潜空间统一感知与生成

    该工作提出几何原生自编码器(GAE),把冻结的几何基础模型 DA3 的四层特征压缩为 64 或 128 通道的单一紧凑潜变量,使其可同时解码为 RGB、深度、相机与点图,并在固定生成器与训练协议的受控比较中,相对最强的非 GAE 潜变量在 RealEstate10K 与 DL3DV 上降低 FVD、在 RealEstate10K 上把相机轨迹误差约减半。

已读完全部报道