SEGAR：面向生成式增强现实的选择性增强
计算机视觉与模式识别
2026-03-26 v1 人工智能
摘要
生成式世界模型为增强现实 (AR) 应用提供了引人入胜的基础：通过预测包含刻意视觉编辑的未来图像序列，使我们能够计算并缓存时间上连贯的增强未来帧，从而在实时情况下避免从头重新渲染每个帧。本工作提出了 SEGAR 框架，将其与选择性校正阶段相结合，以支持此愿景。世界模型在保留其他部分的同时，生成带有区域特定编辑的增强未来帧，而校正阶段随后在保留其他预期增强的同时，将安全关键区域与真实世界观察进行对齐。我们以驾驶情境为代表性场景进行了此管道的演示，该场景语义区域结构较为明确且真实世界反馈易于获取。我们视此为向生成式世界模型作为实用 AR 基础设施的早期步骤，其中可以按需生成、缓存并选择性校正未来帧。
引用
@article{arxiv.2603.24541,
title = {SEGAR: Selective Enhancement for Generative Augmented Reality},
author = {Fanjun Bu and Chenyang Yuan and Hiroshi Yasuda},
journal= {arXiv preprint arXiv:2603.24541},
year = {2026}
}