论文页面 - TriSplat: 面向仿真的前馈式3D场景重建

来源：https://huggingface.co/papers/2605.26115

摘要

TriSplat是一个前馈式3D重建网络，它使用有向三角形图元直接从单张图像生成可直接用于仿真的网格，省去了昂贵的后处理步骤。

稀疏视角的3D重建越来越多地通过前馈式溅射网络（https://huggingface.co/papers?q=splatting%20networks）来解决，这些网络直接从图像中预测显式图元。然而，大多数现有方法仍以高斯图元（https://huggingface.co/papers?q=Gaussian%20primitives）为中心，并且仅间接地暴露表面：要提取可用于下游仿真、物理推理或具身交互的可用网格，仍需进行昂贵的后期处理，这打破了前馈式的承诺。这一限制在无位姿场景中尤为突出，因为场景结构和相机参数必须从稀疏观测中联合估计。我们提出 TriSplat，这是一个前馈式重建（https://huggingface.co/papers?q=feed-forward%20reconstruction）网络，它使用有向三角形图元（https://huggingface.co/papers?q=triangle%20primitives）表示场景，并通过单次前向传播直接导出可直接用于仿真的网格场景（https://huggingface.co/papers?q=mesh%20scenes）。给定输入图像，网络预测局部3D点图（https://huggingface.co/papers?q=3D%20point%20maps）、三角形属性（https://huggingface.co/papers?q=triangle%20attributes）、相机位姿（https://huggingface.co/papers?q=camera%20poses）以及可选的内部参数。我们的方法并非将三角形方向作为无约束隐变量进行回归，而是从预测的点图构建几何法线，通过图像条件的法线头（https://huggingface.co/papers?q=normal%20head）进行精炼，并将其转换为稳定的局部坐标系以进行三角形参数化。单目法线引导（https://huggingface.co/papers?q=mono-normal%20bootstrap）调度进一步稳定了早期训练，而透明度和模糊调度（https://huggingface.co/papers?q=blur%20scheduling）则逐步锐化学习到的表面表示，以实现直接网格提取。在 RealEstate10K 和 DL3DV 上的实验表明，与高斯前馈基线相比，该表示能产生更符合几何结构的重建结果，同时保持具有竞争力的新视角渲染质量。由于渲染图元本身就是表面三角形，输出可以直接被物理引擎（https://huggingface.co/papers?q=physics%20engines）、碰撞检测器（https://huggingface.co/papers?q=collision%20detectors）和标准渲染管线摄取，无需任何转换，从而成为前馈式3D场景重建中实用的面向仿真解决方案。

查看arXiv页面 (https://arxiv.org/abs/2605.26115) 查看PDF (https://arxiv.org/pdf/2605.26115) 项目页面 (https://lhmd.top/trisplat/#interactive) GitHub6 (https://github.com/ziplab/TriSplat) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.26115)

在您的Agent中获取这篇论文：

hf papers read 2605\.26115

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

引用本论文的模型1

lhmd/TriSplat 图像转3D • 更新于约3小时前 • 1 (https://huggingface.co/lhmd/TriSplat)

引用本论文的数据集1

lhmd/re10k_torch 更新于约3小时前 • 61.4k • 2 (https://huggingface.co/datasets/lhmd/re10k_torch)

引用本论文的Spaces0

没有Space链接本论文

在Space的README.md中引用 arxiv.org/abs/2605.26115 以从本页面链接到它。

包含本论文的收藏0

没有收藏包含本论文

添加本论文到收藏 (https://huggingface.co/new-collection) 以从本页面链接到它。