StereoWorld：面向单目到立体视频生成的几何感知方法
计算机视觉与模式识别
2025-12-12 v2
摘要
XR 设备的快速普及催生了对高质量立体视频的强烈需求，但其生产成本高且常常伴随明显 artifacts。为此，我们提出 StereoWorld——一个端到端框架，将预训练视频生成器用于单目到立体视频的高保真生成。该框架在单目视频输入上进行联合条件控制，同时通过几何感知正则化显式监督生成结果，以确保 3D 结构保真。进一步集成了时空拼接方案，实现高分辨率合成的高效生成。为支撑大规模训练与评估，我们构建了包含 1100 万帧的高清立体视频数据集，帧幅度与自然人类眼间距（IPD）对齐。广泛实验表明，StereoWorld 显著优于现有方法，生成的立体视频在视觉保真度和几何一致性方面表现出色。项目网页地址为 https://ke-xing.github.io/StereoWorld/。
引用
@article{arxiv.2512.09363,
title = {StereoWorld: Geometry-Aware Monocular-to-Stereo Video Generation},
author = {Ke Xing and Xiaojie Jin and Longfei Li and Yuyang Yin and Hanwen Liang and Guixun Luo and Chen Fang and Jue Wang and Konstantinos N. Plataniotis and Yao Zhao and Yunchao Wei},
journal= {arXiv preprint arXiv:2512.09363},
year = {2025}
}