几何引导朗之万动力学的生成式形状重建
计算机视觉与模式识别
2026-03-31 v1 人工智能
摘要
从不完备或有噪声的观测中重建完整三维形状是一个本质上不适定的问题，需要在测量一致性与形状合理性之间取得平衡。现有的形状重建方法在理想条件下可以实现较强的几何保真度，但在测量不完备或存在噪声的实际条件下会失效。与此同时，最近的3D形状生成模型可以合成高度真实且细节丰富的形状，但无法与观测测量保持一致。在本工作中，我们提出了GG-Langevin：几何引导朗之万动力学，一种统一这些互补视角的概率方法。通过遍历由扩散模型诱导的朗之万动力学轨迹，同时在每一步保持测量一致性，我们以生成式方式重建既符合测量又符合数据驱动先验的形状。我们通过大量实验证明，GG-Langevin在表面重建中比现有方法实现了更高的几何精度和对缺失数据的更强鲁棒性。
引用
@article{arxiv.2603.27016,
title = {Generative Shape Reconstruction with Geometry-Guided Langevin Dynamics},
author = {Linus Härenstam-Nielsen and Dmitrii Pozdeev and Thomas Dagès and Nikita Araslanov and Daniel Cremers},
journal= {arXiv preprint arXiv:2603.27016},
year = {2026}
}