计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
]
标题: WorldExplorer:迈向生成完全可导航的3D场景
标题: WorldExplorer: Towards Generating Fully Navigable 3D Scenes
摘要: 从文本生成三维世界是计算机视觉领域一个备受期待的目标。现有方法受限于场景内部的探索程度,即当超出中心视角或全景视角时,会产生拉长且杂乱无章的伪影。 为此,我们提出了WorldExplorer,这是一种基于自回归视频轨迹生成的新方法,能够在广泛的视点范围内构建完全可导航的三维场景,并保持一致的视觉质量。 我们通过创建与360度全景图相对应的多视图一致图像来初始化场景。 然后,在迭代场景生成管道中利用视频扩散模型对其进行扩展。 具体而言,我们沿着短小且预先定义的轨迹生成多个视频,这些视频深入探索场景,包括围绕物体的运动。 我们的新颖场景记忆机制使每个视频都基于最相关的先前视图,而碰撞检测机制则防止出现诸如进入物体之类的退化结果。 最后,我们通过3D高斯点阵优化将所有生成的视图融合成统一的3D表示。 与先前的方法相比,WorldExplorer生成的高质量场景在大范围相机运动下仍然保持稳定,首次实现了逼真且不受限制的探索。 我们认为这标志着向生成沉浸式且真正可探索的虚拟三维环境迈出了重要的一步。
文献和引用工具
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
推荐器和搜索工具
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.