CanoVerse: 面向生成与姿态的3D物体可扩展规范化与数据集
计算机视觉与模式识别
2026-03-10 v1
摘要
3D学习系统隐含地假设物体占据一个一致的参考坐标系。然而，在实践中，每个资产都带有任意的全局旋转，模型需要自行解决方向模糊性。这种持续的不对齐抑制了姿态一致的生成，并阻碍了稳定方向语义的出现。为解决此问题，我们构建了 \methodName{}，一个包含1156个类别、32万个物体的大规模规范化3D数据集——比先前工作提升了一个数量级。在此规模下，方向语义变得可统计学习：CanoVerse 提升了3D生成稳定性，实现了精确的跨模态3D形状检索，并解锁了零样本点云方向估计，即使对于分布外数据也是如此。这是通过一个新的规范化框架实现的，该框架通过紧凑假设生成和轻量级人工判别，将对齐时间从每个物体数分钟缩短到数秒，将规范化从人工整理转变为高通量数据生成流水线。CanoVerse 数据集将在接收后公开发布。项目页面：https://github.com/123321456-gif/Canoverse
引用
@article{arxiv.2603.07144,
title = {CanoVerse: 3D Object Scalable Canonicalization and Dataset for Generation and Pose},
author = {Li Jin and Yuchen Yang and Weikai Chen and Yujie Wang and Dehao Hao and Tanghui Jia and Yingda Yin and Zeyu Hu and Runze Zhang and Keyang Luo and Li Yuan and Long Quan and Xin Wang and Xueying Qin},
journal= {arXiv preprint arXiv:2603.07144},
year = {2026}
}