利用 2D 预训练先验提升零样 3D 风格迁移
计算机视觉与模式识别
2026-05-29 v1
摘要
本文聚焦于能够生成给定任意风格图像的 3D 场景多视图一致风格化视图的零样 3D 风格迁移。我们主要解决数据稀缺的问题，这一问题源于每个模型仅在单个场景上进行训练，从而限制了可用内容图像的数量。这种稀缺显著阻碍了风格化性能，因为模型优化依赖于足够的 content-风格图像对以提供监督信号。我们的核心思想是将在大规模 2D 图像数据集上预训练的解码器集成到 3D 风格迁移管道中，从而利用解码器中编码的先验知识，这些先验知识来自在大量 content-风格图像对上的学习。我们的方法结合了特征高斯溅射和延迟风格化，能够在数据充足的解码器网络下实现高质量风格化，同时通过将视图依赖操作统一到视图不变过程中确保视图一致性。实验表明，我们的 Data-Sufficient StyleGaussian (DS-StyleGaussian) 模型在各种数据集上在视觉质量方面优于现有的零样 3D 风格迁移方法。本工作还表明，2D 预训练可作为 3D 任务的强有力增强，弥合 2D 和 3D 之间的数据差距。
引用
@article{arxiv.2605.30065,
title = {Boosting Zero-Shot 3D Style Transfer with 2D Pre-trained Priors},
author = {Xin Dong and Yunzhi Teng and Wenfeng Deng and Yansong Tang},
journal= {arXiv preprint arXiv:2605.30065},
year = {2026}
}
备注
Accepted by IEEE IVMSP2026