Stylos：单前向高斯溅写作的多视角3D风格化

我们提出了 Stylos，这是一个单前向 3D 高斯框架，用于从单张无姿态内容图像到多视角集合的 3D 风格迁移，基于单独的参考风格图像进行条件化。Stylos 在无需 per-scene 优化或预计算姿态的情况下合成风格化 3D 高斯场景，实现几何感知、视角一致的风格化，并对未知类别、场景和风格具有泛化能力。其核心，Stylos 采用 Transformer 骨干网络，包含两个路径：几何预测保留自注意力以保持几何保真度，风格通过全局交叉注意力注入以实现跨视角的视觉一致性。结合基于体素的 3D 风格损失将聚合场景特征对齐到风格统计数据，Stylos 在保持几何的同时实现视角一致的风格化。跨多个数据集的实验表明，Stylos 能提供高质量的零样本风格化，凸显全局风格-内容耦合、提出的 3D 风格损失以及框架从单视角扩展到大规模多视角设置的可扩展性。我们的代码已公开于 https://github.com/HanzhouLiu/Stylos。