S-INF：面向真实室内场景合成的场景隐式神经场
计算机视觉与模式识别
2025-01-07 v2
摘要
基于学习的方法在3D室内场景合成（ISS）中越来越受到青睐，显示出优于传统优化方法的卓越性能。这些基于学习的方法通常使用生成模型对简单且显式的场景表示建模。然而，由于过于简化的显式表示忽略了细节信息，以及缺乏来自场景内部多模态关系的指导，大多数基于学习的方法难以生成具有真实物体布局和风格的室内场景。本文引入了一种新方法——场景隐式神经场（Scene Implicit Neural Field, S-INF），用于室内场景合成，旨在学习多模态关系的有意义表示，以提升室内场景合成的真实性。S-INF假设场景布局常与物体细节信息相关联。它将多模态关系解耦为场景布局关系和细节物体关系，并通过隐式神经场（INF）进行融合。通过学习专门的场景布局关系并将其投射到S-INF中，我们实现了真实的场景布局生成。此外，S-INF通过可微分渲染捕获密集且细致的物体关系，确保物体之间的风格一致性。通过在基准数据集3D-FRONT上的大量实验，我们展示了该方法在不同类型的ISS任务中始终实现了最先进的性能。
引用
@article{arxiv.2412.17561,
title = {S-INF: Towards Realistic Indoor Scene Synthesis via Scene Implicit Neural Field},
author = {Zixi Liang and Guowei Xu and Haifeng Wu and Ye Huang and Wen Li and Lixin Duan},
journal= {arXiv preprint arXiv:2412.17561},
year = {2025}
}
备注
Accepted to AAAI 2025