基于扩散先验与前向曲率匹配似然更新的自适应三维重建
计算机视觉与模式识别
2025-11-11 v1
摘要
从图像重建高质量点云仍然是计算机视觉中的一个挑战。现有的基于生成模型的方法，特别是直接学习后验分布的扩散模型方法，可能存在灵活性不足的问题——它们在训练时需要条件信号，仅支持固定数量的输入视角，并且需要针对不同测量进行完整的重新训练。最近的扩散基方法尝试通过结合先验模型与似然更新来解决此问题，但它们依赖于启发式固定步长进行似然更新，导致收敛缓慢和重建质量次优。我们沿着这一思路推进，通过集成我们新近提出的前向曲率匹配（Forward Curvature-Matching, FCM）更新方法与扩散采样。该方法仅利用前向自动微分和有限差分曲率估计，动态确定最优步长，从而实现对似然更新的精确优化。该表述使得从单视角和多视角输入均能实现高保真度重建，并通过简单地替换算子支持多种输入模态——无需重新训练。在ShapeNet和CO3D数据集上的实验表明，我们的方法在相同或更少的非限定函数调用次数下实现了优异的重建质量，显著提高F-score分数，降低CD和EMD指标，验证了其在实际应用中的效率和适应性。代码已公开于 https://github.com/Seunghyeok0715/FCM
引用
@article{arxiv.2511.06310,
title = {Adaptive 3D Reconstruction via Diffusion Priors and Forward Curvature-Matching Likelihood Updates},
author = {Seunghyeok Shin and Dabin Kim and Hongki Lim},
journal= {arXiv preprint arXiv:2511.06310},
year = {2025}
}