论文页面 - PointDiT：用于单目几何估计的像素空间扩散

来源：https://huggingface.co/papers/2607.02515

摘要

一种极简的像素空间扩散变压器，采用普通的 ViT 架构，直接处理以 DINOv3 图像标记为条件的3D点图块，在保持简单性和对模糊区域的鲁棒性的同时，超越了复杂的基于潜变量的模型。

当前最先进的单图像3D重建方法往往依赖复杂的混合架构（https://huggingface.co/papers?q=hybrid+architectures）和损失函数（https://huggingface.co/papers?q=loss+functions），或者将几何信息压缩到潜变量空间中，以利用预训练的潜变量扩散模型（https://huggingface.co/papers?q=latent+diffusion+models）。在这项工作中，我们证明了这样的架构开销和复杂的损失公式并非必要。我们引入了一种极简的像素空间（https://huggingface.co/papers?q=pixel-space）扩散变压器（https://huggingface.co/papers?q=Diffusion+Transformer），它基于普通的 ViT（https://huggingface.co/papers?q=ViT），直接对原始3D点图块（https://huggingface.co/papers?q=3D+point+map+patches）进行操作，并以来自预训练 DINOv3（https://huggingface.co/papers?q=DINOv3）的图像标记为条件。与现有的潜变量扩散方法不同，我们从头开始训练扩散主干，消除了对点图分词器的需求。尽管方法简单，我们的方法超越了复杂的基于潜变量的扩散模型，同时比混合替代方案简单得多。值得注意的是，它生成了更清晰的几何结构（https://huggingface.co/papers?q=geometric+structure），并且在高度模糊的区域（如透明物体（https://huggingface.co/papers?q=transparent+objects））具有更强的鲁棒性。

查看 arXiv 页面（https://arxiv.org/abs/2607.02515）查看 PDF（https://arxiv.org/pdf/2607.02515）项目页面（https://haofeixu.github.io/pointdit/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.02515）

在您的 agent 中获取此论文：

hf papers read 2607\.02515

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型引用此论文

在模型的 README.md 中引用 arxiv.org/abs/2607.02515 以从该页面链接。

引用此论文的数据集0

没有数据集引用此论文

在数据集的 README.md 中引用 arxiv.org/abs/2607.02515 以从该页面链接。

引用此论文的 Space0

没有 Space 引用此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2607.02515 以从该页面链接。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏（https://huggingface.co/new-collection）以从该页面链接。