ReConText3D：基于回放的文本到3D持续生成
计算机视觉与模式识别
2026-04-16 v1
摘要
持续学习使模型能够在时间推进中获取新知识，同时保留先前学习的能力。然而，其应用于文本到3D生成尚未探索。我们提出ReConText3D，这是第一个用于持续文本到3D生成的框架。我们首先演示，现有的文本到3D模型在递增训练下会遭受灾难性遗忘。ReConText3D使生成模型能够从文本描述中逐步学习新的3D类别，同时保持合成先前已见资产的能力。我们的方法通过文本嵌入k-中心选择构建紧凑且多样化的回放记忆，允许在不修改底层架构的情况下进行有代表性的再训练。为系统评估持续文本到3D学习，我们引入Toys4K-CL，这是一个源自Toys4K数据集的基准数据集，提供平衡且语义多样化的类别递增划分。在Toys4K-CL基准上的大量实验表明，ReConText3D在不同生成主干上均显著优于所有基线，同时保持对旧类和新类的高质量生成。到目前为止，这项工作确立了第一个持续学习框架和基准用于文本到3D生成，为增量3D生成建模开辟了新方向。项目页面可访问：https://mauk95.github.io/ReConText3D/。
引用
@article{arxiv.2604.13730,
title = {ReConText3D: Replay-based Continual Text-to-3D Generation},
author = {Muhammad Ahmed Ullah Khan and Muhammad Haris Bin Amir and Didier Stricker and Muhammad Zeshan Afzal},
journal= {arXiv preprint arXiv:2604.13730},
year = {2026}
}
备注
Accepted at CVPR Findings 2026