Tag · 3 篇
三维场景表示
分布 图像编辑与可控生成13D 视觉与重建1视觉语言模型1
01 02 03
SeeThrough3D：文本到图像生成中的遮挡感知三维控制
SeeThrough3D: Occlusion Aware 3D Control in Text-to-Image Generation
将三维布局中的遮挡关系显式编码为半透明三维框渲染，并通过掩码自注意力绑定物体与文本，为布局可控生成提供可复用的遮挡感知条件注入方式。
SceneTok：面向三维场景的压缩可扩散 token 空间
SceneTok: A Compressed, Diffusable Token Space for 3D Scenes
把多视角图像编码成一小撮置换不变、脱离空间网格的潜变量 token，再用轻量整流流解码器渲染新视角，为 3D 场景生成提供了比 3DGS/NeRF 更紧凑、可直接接扩散/流模型的表示接口。
Proxy3D：通过语义聚类与对齐为视觉语言模型构建高效三维表征
Proxy3D: Efficient 3D Representations for Vision-Language Models via Semantic Clustering and Alignment
用语义感知聚类把视频帧特征压缩成一组 3D 代理 token 替代像素对齐的视觉序列，为 VLM 提供紧凑且具空间一致性的视觉输入；做 3D 空间推理或多模态大模型视觉编码器压缩时可复用这一「聚类成代理 + 多阶段对齐」范式。