Tag · 6 篇
自回归模型
M3DLayout：面向三维生成的多源三维室内布局与结构化描述数据集
M3DLayout: A Multi-Source Dataset of 3D Indoor Layouts and Structured Descriptions for 3D Generation
为文本驱动的三维场景生成提供布局层面的中间表示与大规模多源训练数据，可直接用于训练或评测文本条件扩散/自回归布局生成模型，并支撑语义可控编辑与物理合理性约束。
LongStream：长序列流式自回归视觉几何
LongStream: Long-Sequence Streaming Autoregressive Visual Geometry
提出规范解耦的流式视觉几何模型，通过预测关键帧相对位姿和正交尺度学习，将长序列外推转化为恒定难度的局部任务，并利用缓存一致性训练与周期性刷新抑制注意力偏差，为在线长序列三维重建提供可复用方案。
HandX：扩展双手运动与交互生成
HandX: Scaling Bimanual Motion and Interaction Generation
对手部精细动作与双手交互生成感兴趣的视觉研究者，可直接复用其解耦标注范式（先抽取接触事件、手指弯曲等运动特征，再用 LLM 生成语义描述）以及手部专用评测指标，用于构建条件运动生成的数据与评测流程。
FACE：一种基于面的自回归表示用于高保真高效网格生成
FACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation
将网格生成从顶点级序列改为面级 token，序列长度降低 9 倍，为自回归 3D 生成提供高效表示；其面级解码器与 VecSet 编码器结合可复用于单图到网格的潜扩散生成。
DCoAR：面向个性化文本到图像生成的统一自回归模型深度概念注入
DCoAR: Deep Concept Injection into Unified Autoregressive Models for Personalized Text-to-Image Generation
对做个性化/定制化生成的人，这篇给出了在完全冻结的统一自回归模型上做深层概念注入的路线：逐层多模态上下文学习 + 双重先验保持与上下文感知自正则化，可在不微调主干的前提下实现主体定制与用户风格迁移，是替代适配式微调的低参数方案。
逐 token 对齐文本、图像与三维结构
Aligning Text, Images and 3D Structure Token-by-Token
把结构化 3D 场景当作一种可 tokenize 的模态，用统一的 LLM 自回归建模语言、图像与 3D 场景，为单图重建完整 3D 场景和 3D 目标识别提供了可复用的 tokenizer 与训练配方。