DecompDreamer：基于结构化3D资产生成的组合感知课程
计算机视觉与模式识别
2025-10-07 v2
摘要
当前的文本到3D方法在生成单个物体方面表现出色，但在组合提示方面则屈居于下。我们认为，这一失败是根本性的，因为在优化调度器方面存在根本性问题，同时或交替的启发式方法在组合爆炸的冲突梯度下不可避免地导致几何缠结或灾难性发散。在本文中，我们将组合生成的核心挑战重新定义为优化调度问题。我们引入DecompDreamer，一种基于新颖的分阶段优化策略构建的框架，功能相当于隐式课程。该方法首先通过优先处理物体间关系来建立连贯的结构框架，再转向对单个组件的高保真细化。这种对竞争目标的时间解耦提供了解决梯度冲突的稳健方法。在多样化的组合提示上进行的定性和定量评估表明，DecompDreamer 在保真度、解缘和空间连贯性方面均优于最先进的方法。
引用
@article{arxiv.2503.11981,
title = {DecompDreamer: A Composition-Aware Curriculum for Structured 3D Asset Generation},
author = {Utkarsh Nath and Rajeev Goel and Rahul Khurana and Kyle Min and Mark Ollila and Pavan Turaga and Varun Jampani and Tejaswi Gowda},
journal= {arXiv preprint arXiv:2503.11981},
year = {2025}
}