Tag · 5 篇
前馈网络
PromptDepth：面向具身智能的高效可提示几何三维视觉模型
PromptDepth: Efficient and Promptable Geometric 3D Vision Model for Embodied Intelligence
PromptDepth 将深度估计与实例级分割统一到一个前馈网络中，通过提示（prompt）灵活切换全景/实例/跟踪深度图输出，为具身智能提供实时 3D 感知与交互能力；其 ILDS 损失和 Gram Anchoring 技术可缓解密集与离散表示冲突，可复用于其他多任务密集预测模型。
Particulate：前馈式三维物体关节化
Particulate: Feed-Forward 3D Object Articulation
把关节物体的部件分割、运动学树与运动约束统一到一个前馈 Transformer 中一次预测，替代逐物体优化，可直接接到 image-to-3D 模型后面做单图生成可动 3D 资产。
通过特征场学习凸分解
Learning Convex Decomposition via Feature Fields
把凸分解从逐形状优化变成可前馈预测的特征场学习问题：学一个连续特征场，再用自监督几何目标聚类成凸体，可直接用于碰撞检测、物理仿真以及跨网格/CAD/高斯泼溅表示的泛化。
LA-Pose：潜变量动作预训练遇上姿态估计
LA-Pose: Latent Action Pretraining Meets Pose Estimation
将逆动力学自监督预训练得到的潜变量动作特征作为相机姿态估计器的输入，仅需少量高质量3D标注微调即可实现高精度、可泛化的前馈姿态预测，为视觉里程计和自动驾驶感知提供了一种可扩展的预训练范式。
FUSER：前馈多视图 3D 配准 Transformer 与 SE(3)^N 扩散精化
FUSER: Feed-Forward Multiview 3D Registration Transformer and SE(3)$^N$ Diffusion Refinement
提出一种前馈多视图配准 Transformer，在统一潜空间中直接预测全局位姿，避免成对匹配；并利用 SE(3)^N 扩散精化框架对联合位姿进行去噪校正，为多视图点云配准提供了高效的新范式。