VoxLution:用稀疏体素级联生成高保真3D室内场景
用稀疏体素级联生成高保真3D室内场景
(映维网Nweon 2026年11月16日)慕尼黑工业大学和弗吉尼亚大学研究人员提出了一种用于合成高分辨率3D室内场景的稀疏自回归方法。

研究指出,高分辨率3D室内场景生成对虚拟现实等应用十分重要,但现有生成模型常出现几何过度平滑的问题。
据介绍,VoxLution采用粗到细的Transformer级联:首先生成低分辨率空间布局,再基于该结构信息分块逐步细化场景几何,最终将体素分辨率从25厘米提升至1.5625厘米。方法的核心是将3D超分辨率建模为多分辨率稀疏体素网格上的序列建模问题。研究提出一种免训练的分辨率不变八分体编码(ROC),将每个父体素8个子八分体的占据情况编码为一个0至255的离散标记,并在所有分辨率层级共享同一个256项码本。
在序列组织上,VoxLution将多分辨率场景层级按从粗到细排列,丢弃空标记,以稀疏序列降低计算负担;生成精细层级时,使用三个更粗层级作为条件,并引入已生成相邻块的边界信息,以保持块与块之间的衔接。最终,稀疏VAE将对偶网格属性解码为三角形网格,并可填充小孔洞、移除游离体素。除场景类型标签外,方法还支持以物体边界框和语义标签构成的布局作为控制条件。
实验在合成数据集3D-FRONT和真实扫描数据集ScanNet++上进行。团队称,VoxLution生成的体素分辨率比现有基线精细41%。在3D-FRONT上,FPD降低59.6%,FID降低51.1%;在ScanNet++上,FPD降低70.5%,FID降低73.8%。研究使用3D-FRONT中5类共19237个房间,并从ScanNet++筛选出781个房间,数据按80%、5%、15%划分训练、验证和测试集。
相关论文:VoxLution: Evolving Voxels for High-Fidelity 3D Scene Generation
研究人员表示,由于采用基于占据的生成方式并辅以最终网格提取,VoxLution可灵活应用于合成场景和真实扫描数据,并能适应真实室内扫描中不规则、稀疏和含噪的几何特征。所述方法面向沉浸式应用中的高保真3D室内场景生成需求。

