ContrastiveGaussian: High-Fidelity 3D Generation with Contrastive Learning and Gaussian Splatting
计算机视觉与模式识别
2025-04-14 v1
摘要
从单视图图像生成 3D 内容是近年来引起广泛关注的具有挑战性的问题。当前方法通常利用来自预训练 2D 扩散模型的得分蒸馏采样（SDS）来生成多视角 3D 表示。尽管一些方法通过平衡生成速度和模型质量取得了显著进展，但其性能往往受限于扩散模型输出的视觉不一致性。在本工作中，我们提出了 ContrastiveGaussian，将对比学习集成到生成过程中。通过使用感知损失，我们有效地区分了正负样本，利用视觉不一致性来提高 3D 生成质量。为进一步增强样本区分度并改善对比学习，我们引入了超分辨率模型，并引入另一种数量感知三元组损失以应对训练期间样本分布的变化。我们的实验表明，该方法在纹理保真度和几何一致性方面取得优异成绩。
引用
@article{arxiv.2504.08100,
title = {ContrastiveGaussian: High-Fidelity 3D Generation with Contrastive Learning and Gaussian Splatting},
author = {Junbang Liu and Enpei Huang and Dongxing Mao and Hui Zhang and Xinyuan Song and Yongxin Ni},
journal= {arXiv preprint arXiv:2504.08100},
year = {2025}
}
备注
Code will be available at https://github.com/YaNLlan-ljb/ContrastiveGaussian