Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.01464

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.01464 (cs)
[提交于 2025年8月2日 ]

标题: Can3Tok:场景级3D高斯的规范3D标记化和潜在建模

标题: Can3Tok: Canonical 3D Tokenization and Latent Modeling of Scene-Level 3D Gaussians

Authors:Quankai Gao, Iliyan Georgiev, Tuanfeng Y. Wang, Krishna Kumar Singh, Ulrich Neumann, Jae Shin Yoon
摘要: 3D生成已经取得了显著进展,然而,它仍然主要停留在物体级别。由于缺乏能够在3D场景级别数据上进行扩展潜在表示学习的模型,前馈3D场景级别生成很少被探索。与在有界规范空间中使用良好标记的3D数据进行训练的物体级别生成模型不同,由3D高斯点云(3DGS)表示的3D场景是无界的,并且在不同场景之间表现出尺度不一致,这使得为生成目的进行统一的潜在表示学习极具挑战性。在本文中,我们引入了Can3Tok,这是第一个能够将大量高斯原始对象编码为低维潜在嵌入的3D场景级别变分自编码器(VAE),它能够有效捕捉输入的语义和空间信息。除了模型设计,我们还提出了一种通用的3D场景数据处理流程来解决尺度不一致问题。我们在最近的场景级别3D数据集DL3DV-10K上验证了我们的方法,结果发现只有Can3Tok能够成功泛化到新的3D场景,而与其他方法相比,在训练过程中甚至在几百个场景输入上都无法收敛,并且在推理过程中表现出零泛化能力。最后,我们展示了图像到3DGS和文本到3DGS生成作为我们的应用,以展示其促进下游生成任务的能力。
摘要: 3D generation has made significant progress, however, it still largely remains at the object-level. Feedforward 3D scene-level generation has been rarely explored due to the lack of models capable of scaling-up latent representation learning on 3D scene-level data. Unlike object-level generative models, which are trained on well-labeled 3D data in a bounded canonical space, scene-level generations with 3D scenes represented by 3D Gaussian Splatting (3DGS) are unbounded and exhibit scale inconsistency across different scenes, making unified latent representation learning for generative purposes extremely challenging. In this paper, we introduce Can3Tok, the first 3D scene-level variational autoencoder (VAE) capable of encoding a large number of Gaussian primitives into a low-dimensional latent embedding, which effectively captures both semantic and spatial information of the inputs. Beyond model design, we propose a general pipeline for 3D scene data processing to address scale inconsistency issue. We validate our method on the recent scene-level 3D dataset DL3DV-10K, where we found that only Can3Tok successfully generalizes to novel 3D scenes, while compared methods fail to converge on even a few hundred scene inputs during training and exhibit zero generalization ability during inference. Finally, we demonstrate image-to-3DGS and text-to-3DGS generation as our applications to demonstrate its ability to facilitate downstream generation tasks.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2508.01464 [cs.CV]
  (或者 arXiv:2508.01464v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.01464
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Quankai Gao [查看电子邮件]
[v1] 星期六, 2025 年 8 月 2 日 18:43:45 UTC (11,036 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号