Tag · 7 篇

单目三维重建

分布 3D 视觉与重建6人脸与人体理解1

Unsupervised Monocular 3D Keypoint Discovery from Multi-View Diffusion Priors

把预训练多视图扩散模型当作几何先验来源：用单图生成的多视图图像作为监督信号，并把扩散特征转成显式三维特征体，从而在无标注、无标定多视图的条件下做单目三维关键点估计；这套「扩散先验→三维监督」的流程可迁移到其他缺乏三维标注的物体/人体结构化任务。

TokenHand: Discrete Token Representation for Efficient Hand Mesh Reconstruction

把 3D 手部网格重建从回归改成对离散 token 的分类，并用预训练解码器从 token 直接还原网格，为视觉研究者提供了一条「离散化 + 分类」替代连续回归、兼顾精度与实时性的可复用思路，可迁移到人体、物体等其他参数化网格重建任务。

STAvatar: Soft Binding and Temporal Density Control for Monocular 3D Head Avatars Reconstruction

把高斯绑定从硬性网格三角形改为 UV 空间的可学习软偏移，使高斯泼溅表示仍能接受自适应密度控制，这一思路可直接迁移到人体、手部等其它基于网格模板的可动高斯泼溅重建中；其融合感知误差的克隆准则也为高斯致密化提供了可复用的判据。

Monocular Open Vocabulary Occupancy Prediction for Indoor Scenes

把 3D Language-Embedded Gaussians 当作几何与语言对齐的统一中间表示，用仅二值占用标签的弱监督训练开放词表室内占用预测；其中不透明度感知的 Poisson 体素聚合与渐进温度衰减调度可直接迁移到其他高斯-语言对齐或弱监督高斯到体素转换的流程。

Generalizing Visual Geometry Priors to Sparse Gaussian Occupancy Prediction

把 VGGT 这类可泛化视觉几何模型输出的表面点沿相机射线向内扩展成体素采样，并用高斯原语做概率化占用推断，为单目/流式占用预测提供了一条不依赖体素密集监督、可直接复用几何基础模型先验的路线。

From 2D Alignment to 3D Plausibility: Unifying Heterogeneous 2D Priors and Penetration-Free Diffusion for Occlusion-Robust Two-Hand Reconstruction

把关键点、分割、深度等视觉基础模型先验以隐式融合编码器吸收，而非作为显式输入，可在不增加基础模型推理成本的前提下提升单目重建精度；同时用带碰撞梯度引导的扩散模型把互穿姿态映射到无碰撞流形，这一「生成式后处理」思路可迁移到人体/多人交互重建与姿态去穿模。

ArchSym: Detecting 3D-Grounded Architectural Symmetries in the Wild

提出从单张野外图像检测三维反射对称性的框架，将对称性参数化为相对于预测场景几何的有符号距离图，并利用跨视角图像匹配从SfM重建中自动构建大规模建筑对称性数据集，为三维场景理解与重建提供可复用的对称性先验和标注流程。