GeodesicNVS：基于概率密度的测地流匹配用于新视角合成
计算机视觉与模式识别
2026-03-27 v2
摘要
近期的生成模型进展大幅提升了新视角合成，但在视角间保持一致性仍具挑战。基于扩散的模型依赖于随机的噪声到数据的转换，这掩盖了确定性结构并导致视角预测不一致。我们主张一种基于数据到数据的流匹配框架，通过学习成对视角之间的确定性变换来增强视角一致的合成。基于此，我们提出概率密度测地流匹配（Probability Density Geodesic Flow Matching，PDG-FM），将插值轨迹与数据流形的基于密度的测地线对齐。为实现可计算的测地线估计，我们采用教师-学生框架，将基于密度的测地插值蒸馏到高效的环境空间预测器中。实验上，我们的方法在 Objaverse 和 GSO30 数据集上超越扩散基线，显示出更好的结构一致性和更平滑的视角转换。这些结果凸显了将数据依赖的几何正则化纳入确定性流匹配以实现一致新视角生成的优势。
引用
@article{arxiv.2603.01010,
title = {GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis},
author = {Xuqin Wang and Tao Wu and Yanfeng Zhang and Lu Liu and Mingwei Sun and Yongliang Wang and Niclas Zeller and Daniel Cremers},
journal= {arXiv preprint arXiv:2603.01010},
year = {2026}
}
备注
Accepted by CVPR 2026; Project Page see https://xuqinwang.github.io/geodesicNVS.github.io/