DL3DV-10K
PulseAugur coverage of DL3DV-10K — every cluster mentioning DL3DV-10K across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
ReconSplat模型增强了超越观测视角的3D场景重建能力
研究人员开发了ReconSplat，这是一种新颖的前馈模型，用于3D场景重建，旨在提高未观测区域的合理视图生成能力，同时保持几何一致性。该模型集成了3D高斯泼溅（3DGS）和多视图潜在扩散模型（MV-LDM）来优化外观和场景几何。ReconSplat在RealEstate10K和DL3DV-10K等基准测试中表现出色，尤其是在具有挑战性的外推场景中，能够生成连贯的新视图和准确的深度图。
-
GenRec模型分离重建和生成，用于新视角合成
研究人员推出了一种新颖的多视角流匹配模型GenRec，旨在改进生成式新视角合成。该模型明确地将重建与生成分开，解决了现有方法将单一损失用于两个过程的局限性。GenRec利用观测掩码和单目深度估计器来指导其架构，确保观测到的像素以高保真度进行重建，同时用合理的生成内容填充未观测区域。在RealEstate10K和DL3DV-10K等数据集上进行测试，GenRec在重建准确性和感知质量方面均优于先前的方法。
-
DeblurNVS框架从运动模糊图像合成新视角
研究人员开发了DeblurNVS，一个旨在从稀疏、运动模糊的图像中合成高保真新视角的新框架，无需每场景优化。该方法通过恢复中间几何表示来工作，这些表示有助于从模糊输入中恢复结构和对应线索。DeblurNVS在合成运动模糊基准测试中表现出卓越的性能，并在真实世界的模糊场景中显示出有效性，生成更清晰、更稳定的新视角。
-
Pixel-to-4D使用动态3D高斯从单张图像生成视频
研究人员开发了一个新的框架，用于从单张图像生成视频，并提供对相机运动的增强控制。该方法利用动态3D高斯表示来建模场景和采样物体运动，从而无需迭代去噪即可实现更快的视频生成。与以前的技术相比，该方法旨在提高时间一致性和几何完整性，并在多个数据集上展示了最先进的结果。