GS-Voxel vise la génération 3DGS aérienne à grande échelle
Le framework convertit des scènes 3D Gaussian pré-optimisées en latents structurés clairsemés, sans ajustement scène par scène.
Pourquoi c'est important
Ce travail s’attaque à une incompatibilité structurelle entre les générateurs 3D latents évolutifs et les reconstructions 3DGS non ordonnées et irrégulières. S’ils sont largement validés, les latents en voxels clairsemés pourraient rendre la synthèse de scènes 3DGS sur de plus vastes zones plus praticable pour les workflows de cartographie aérienne et de simulation.
Points clés
- 1.Convertit des scènes 3DGS pré-optimisées compatibles en voxels actifs clairsemés.
- 2.La taille du latent évolue avec les voxels occupés, et non avec un nombre fixe de primitives.
- 3.L’inférence par tuiles tenant compte des chevauchements étend la génération au-delà d’un seul crop d’entraînement.
Des chercheurs ont présenté GS-Voxel, un framework de latents structurés sans ajustement pour générer des scènes aériennes de 3D Gaussian Splatting à grande échelle. La méthode convertit de façon déterministe des reconstructions 3DGS pré-optimisées compatibles en voxels actifs clairsemés, sans optimisation supplémentaire scène par scène, tout en préservant les positions sous-voxel et les attributs de rendu. Elle utilise un VAE factorisé propre au GS pour encoder la géométrie des voxels et les attributs gaussiens locaux, puis entraîne des modèles de flux conditionnés par l’image afin de générer des scènes 3DGS aériennes à partir d’images en vue satellite.
⚡ À tester aujourd'hui
Lisez l’article avant de construire des pipelines de génération 3DGS sur de vastes zones qui reposent sur un nombre fixe de primitives ou sur un ajustement scène par scène.
Sources et articles originaux
Ce brief résume et renvoie vers la couverture des médias ci-dessous.
Ce brief vous a plu ? Recevez le prochain par e-mail.
Plus dans Recherche
Une startup affirme que les données sont essentielles aux avancées de l’IA contre le cancer
Selon TechCrunch, la startup estime que l’IA est encore loin de guérir le cancer sans de meilleures données.
HarnessRisk évalue les défaillances de sécurité dans les harnais d’agents
Le benchmark teste des attaques à différentes phases des harnais d’agents, tandis que des travaux connexes étudient le provisionnement propre à chaque tâche.
Agent Lightning v1.0 cible le RL agentique avec harnais
Le framework relie des harnais d’agents arbitraires au post-entraînement par apprentissage par renforcement.