3D 视觉

Rethinking Image-to-3D Generation with Sparse Queries: Efficiency, Capacity, and Input-View Bias

重新思考基于稀疏查询的图像到3D生成：效率、容量和输入视角偏差

Zhiyuan Xu, Jiuming Liu, Yuxin Chen, Masayoshi Tomizuka, Chenfeng Xu, Chensheng Peng

机构 * UC Berkeley（伯克利大学） ； University of Cambridge（剑桥大学） ； UT Austin（奥斯汀大学） 纠错

专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV

AI总结 本文提出SparseGen框架，通过稀疏查询实现高效的图像到3D生成，降低输入视角偏差并提升效率。模型采用紧凑的稀疏学习3D锚点查询和解码器，减少内存和推理时间，保持多视角保真度。

Comments Code is available at https://github.com/Pixtella/SparseGen

ReConText3D: Replay-based Continual Text-to-3D Generation

ReConText3D: 基于重放的持续文本到3D生成

Muhammad Ahmed Ullah Khan, Muhammad Haris Bin Amir, Didier Stricker, Muhammad Zeshan Afzal

机构 * DFKI（德累斯顿自由大学） ； RPTU Kaiserslautern-Landau（科布伦茨-劳恩堡大学） 纠错

专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV

AI总结 本文提出ReConText3D框架，解决文本到3D生成中的持续学习问题，通过文本嵌入k-Center选择构建紧凑多样回放记忆，实现增量学习新3D类别并保持旧类生成能力。

Comments Accepted at CVPR Findings 2026