SemMorph3D：基于网格引导的无监督语义感知 3D 形变
计算机视觉与模式识别
2026-04-21 v2
摘要
我们提出 METHODNAME，这是一个新颖的框架，用于从多视图图像中实现语义感知的 3D 形状和纹理变形。虽然 3D 高斯溶射（3DGS）能够实现照片级渲染，但其非结构化特性往往导致变形时几何碎片化严重。相反，传统的网格基于变形方法强制保证结构完整性，但要求输入具有完整的拓扑结构，难以处理复杂的纹理。我们的方法通过采用网格引导策略来解决这一矛盾，其中从提取的粗糙基网格作为灵活的几何锚点发挥作用。这一锚点为引导非结构化的高斯点提供了必要的拓扑框架，成功地补偿了网格提取的痕迹及其拓扑限制。此外，我们提出了一种新颖的双域优化策略，利用这种混合表示来建立无监督语义对应关系， synergize 通过测地正则化实现形状保持，同时通过纹理感知约束实现颜色的连贯演化。这种集成方法确保了稳定、物理上合理的变形，而无需标记数据、专业 3D 资产或类别特定模板。在提出的 TexMorph 基准数据集上，METHODNAME 在已有 2D 和 3D 方法中显著优于表现，实现了全纹理、拓扑稳健的 3D 变形，同时将颜色一致性误差（Delta E）降低 22.2%，EI 降低 26.2%。项目页面：https://baiyunshu.github.io/GAUSSIANMORPHING.github.io/
引用
@article{arxiv.2510.02034,
title = {SemMorph3D: Unsupervised Semantic-Aware 3D Morphing via Mesh-Guided Gaussians},
author = {Mengtian Li and Yunshu Bai and Yimin Chu and Xinru Guo and Haolin Liu and Zhifeng Xie and Chaofeng Chen},
journal= {arXiv preprint arXiv:2510.02034},
year = {2026}
}
备注
Project page: https://baiyunshu.github.io/GAUSSIANMORPHING.github.io/