SSGaussian：语义感知与结构保持的三维风格迁移
计算机视觉与模式识别
2025-09-05 v1 人工智能
摘要
神经辐射场和三维高斯泼溅等神经表示的最新进展，增加了人们对将风格迁移应用于三维场景的兴趣。虽然现有方法可以将风格模式迁移到三维一致的神经表示上，但它们难以有效地从参考风格图像中提取并迁移高级风格语义。此外，风格化的结果通常缺乏结构清晰度和分离度，使得难以区分三维场景中的不同实例或对象。为了解决这些局限性，我们提出了一种新颖的三维风格迁移流水线，该流水线有效地整合了来自预训练二维扩散模型的先验知识。我们的流水线包含两个关键阶段：首先，我们利用扩散先验生成关键视点的风格化渲染图。然后，我们将风格化的关键视图迁移到三维表示上。这个过程包含两个创新设计。第一个是跨视图风格对齐，它将跨视图注意力插入到 UNet 的最后一个上采样块中，允许跨多个关键视图进行特征交互。这确保了扩散模型生成的风格化关键视图既能保持风格保真度，又能保持实例级一致性。第二个是实例级风格迁移，它有效地利用了风格化关键视图之间的实例级一致性，并将其迁移到三维表示上。这产生了结构更清晰、视觉更连贯且艺术性更丰富的风格化效果。广泛的定性和定量实验表明，我们的三维风格迁移流水线在从正向面对到具有挑战性的 360 度环境的各种场景中，均显著优于最先进的方法。请访问我们的项目页面 https://jm-xu.github.io/SSGaussian 以获得沉浸式可视化体验。
引用
@article{arxiv.2509.04379,
title = {SSGaussian: Semantic-Aware and Structure-Preserving 3D Style Transfer},
author = {Jimin Xu and Bosheng Qin and Tao Jin and Zhou Zhao and Zhenhui Ye and Jun Yu and Fei Wu},
journal= {arXiv preprint arXiv:2509.04379},
year = {2025}
}