跳到正文
Hugging Face Daily Papers·· 2026-10-19AI 评分38

任意 3D 场景仅需 1K Tokens:面向大规模场景生成的 3D 原生表示

Any 3D Scene is Worth 1K Tokens: 3D-Grounded Representation for Scene Generation at Scale

AI 导读

研究者提出直接在由 DINOv2、SigLIP2、DA3 等 2D 基础模型导出的高维隐式 3D 潜空间中生成 3D 场景,并用扩散 Transformer 在该空间内做扩散建模,避免 2D 多视角或视频扩散带来的表示冗余与空间一致性受限。实验显示该方法在效率与空间一致性上优于 2D 方案,并验证了随表示与模型容量提升的可扩展性。论文已被 NeurIPS 2026 接收,代码已开源。

打开原文 arxiv.org