PrITTI：基于原始元素的可控且可编辑的 3D 语义城市场景生成
计算机视觉与模式识别
2026-05-26 v3
摘要
现有的 3D 语义城市场景生成方法主要依赖基于体素的表示，受限于固定分辨率、编辑困难以及稠密形式下的高内存开销。相反，我们提出基于原始元素（primitive）的范式，利用紧凑且具有语义意义的 3D 元素来表示城市场景，这些元素易于操作和组合。为此，我们引入 PrITTI，一种基于向量化对象原始元素和光栅化地面表面的潜在扩散模型，用于生成多样化、可控且可编辑的 3D 语义城市场景。这种混合表示构建了结构化的潜在空间，促进了对象级和地面级的操控。在 KITTI-360 数据集上的实验表明，基于原始元素的方法能够充分发挥扩散 Transformer 的潜力，实现比基于体素的方法在 3D 场景生成质量、内存需求、推理速度和可编辑性方面的状态突破。除了生成功能外，PrITTI 还支持场景编辑、图像填充、图像扩写以及照片级街景合成等多种下游应用。源码和更多结果可在 https://raniatze.github.io/pritti/ 查看。
引用
@article{arxiv.2506.19117,
title = {PrITTI: Primitive-based Generation of Controllable and Editable 3D Semantic Urban Scenes},
author = {Christina Ourania Tze and Daniel Dauner and Yiyi Liao and Dzmitry Tsishkou and Andreas Geiger},
journal= {arXiv preprint arXiv:2506.19117},
year = {2026}
}
备注
Accepted to CVPR 2026