MoCA：用于可扩展组合式 3D 生成的混合组件注意力
计算机视觉与模式识别
2025-12-09 v1
摘要
组合性对于 3D 物体和场景生成至关重要，但现有的部件感知 3D 生成方法因组件数量增加时的二次全局注意力成本而难以扩展。在本工作中，我们提出了 MoCA，一种组合式 3D 生成模型，具有两个关键设计：（1）基于重要性的组件路由，选择前 k 个相关组件以进行稀疏全局注意力；（2）不重要组件压缩，在减少全局注意力计算复杂度的同时保留未选组件的上下文先验。通过这些设计，MoCA 实现了高效、精细的组合式 3D 资产创建，支持可扩展的组件数量。大量实验表明 MoCA 在组合式物体和场景生成任务上均优于基线方法。项目页面：https://lizhiqi49.github.io/MoCA
引用
@article{arxiv.2512.07628,
title = {MoCA: Mixture-of-Components Attention for Scalable Compositional 3D Generation},
author = {Zhiqi Li and Wenhuan Li and Tengfei Wang and Zhenwei Wang and Junta Wu and Haoyuan Wang and Yunhan Yang and Zehuan Huang and Yang Li and Peidong Liu and Chunchao Guo},
journal= {arXiv preprint arXiv:2512.07628},
year = {2025}
}