基于初始噪声优化的结构化3D潜在填充
计算机视觉与模式识别
2026-05-04 v1 人工智能
摘要
我们提出一种基于初始噪声优化的训练自由3D填充方法。在结构化3D潜在扩散框架中，我们观察到底层几何结构在扩散过程的早期阶段建立，并对初始噪声高度敏感。这种特征妨碍了在填充和编辑等任务中实现稳定性，后者要求模型在保证现有上下文严格对齐的同时合成新结构。本文引入一种策略，在结构化3D潜在扩散框架中优化初始噪声，以确保高保真3D填充。具体而言，我们利用基于rectified flow模型的反向传播近似更新初始噪声，特别为稳健和高效的结构化3D潜在优化设计了谱参数化。实验表明，在代表性训练自由填充基准中，上下文一致性和提示对齐方面均实现持续改进，确立初始噪声控制为3D填充的独立维度，正交于传统采样轨迹操控。
引用
@article{arxiv.2605.00664,
title = {InpaintSLat: Inpainting Structured 3D Latents via Initial Noise Optimization},
author = {Jaeyoung Chung and Suyoung Lee and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2605.00664},
year = {2026}
}
备注
project page: https://robot0321.github.io/InpaintSLat/index.html