企业官网建设流程全解析

中国建设银行官方网站悦生活,缅甸最新消息,大望路做网站的公司,会展官方网站建设点击下方卡片#xff0c;关注「3D视觉工坊」公众号选择星标#xff0c;干货第一时间送达 本文经作者授权发布 | 来源#xff1a;3D视觉工坊 「3D视觉从入门到精通」知识星球(点开有惊喜) #xff01;星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会…点击下方卡片关注「3D视觉工坊」公众号选择星标干货第一时间送达本文经作者授权发布 | 来源3D视觉工坊「3D视觉从入门到精通」知识星球(点开有惊喜) 星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研欢迎加入3D Gaussian Splatting3DGS自从提出以来凭借高效率和高质量的特点已经在显式三维重建领域产生了很大影响。不过它仍然存在一个长期被忽视的问题3DGS 的参数化表达并不“适合神经网络”。如果你尝试过直接用高斯参数去训练神经网络如前馈网络大概率会遇到训练不稳定、难以收敛等情况。这并不是实现细节的问题而是表示方式本身带来的困难。在ICLR 2026的论文Learning Unified Representation of 3D Gaussian Splatting中作者提出了一种新的Submanifold FieldSF表示。这种表示为3DGS提供了一个稳定、唯一、规整的表示空间使其更容易与神经网络结合和学习。作者团队Yuelin Xin, Yuheng Liu, Xiaohui Xie, Xinke Li作者单位UC Irvine, City University of Hong Kong项目主页https://cilix-ai.github.io/gs-embedding-page/项目代码https://github.com/cilix-ai/gs-embeddingarXivhttps://arxiv.org/abs/2509.22917挑战参数化学习为何会失效直接使用原始的高斯参数进行学习本身就存在结构性问题。首先这些参数是异构的而且并不唯一。一个最典型的例子就是“多对一”的映射问题。比如在旋转表示中四元数q和-q虽然数值不同但对应的是完全相同的几何状态。 从数学角度看不同类型的高斯参数分布在不同的流形上例如旋转位于 SO(3)尺度位于。这种不一致的参数空间会在学习过程中带来表示冲突神经网络的编码器 E(⋅)很难把“数值不同、但物理意义相同”的参数映射到同一个潜在表示点上。形式化地说即使两个参数集合描述的是同一个物理高斯也可能出现这正是直接对3DGS参数做学习时训练不稳定、难以收敛的重要原因之一。我们的解决方案Submanifold Field Embedding与其依赖不稳定的参数化方式我们提出了Submanifold FieldM,F。核心思路是不再直接用参数来定义一个高斯而是用它的等概率曲面来刻画——这是一种在三维空间中具有规范形式的子流形。具体来说一个三维高斯由如下密度函数定义我们选择一个固定的概率阈值τ将满足 g(x)τ的点集视为子流形M并在其上定义对应的颜色场F。这种几何化的表示方式保证了高斯的物理形状与其表示之间存在严格的一一对应关系从根本上避免了参数层面的多对一问题。为了让这一表示真正可用于神经网络学习我们进一步设计了SF-VAESubmanifold Field Variational Auto-encoder。它可以将任意输入的子流形场离散化为一个点云并映射为一个紧凑的32维向量或更低维向量表示随后解码器再从这个平滑的欧式潜空间中重建出对应的高斯参数 θ从而实现稳定、连续、对学习友好的表示与生成过程。主要发现与实验结果1.显著提升的重建质量在新的表示空间中进行学习后SF-VAE 在重建质量上取得了非常明显的提升。以 ShapeSplat 数据集为例使用前馈网络学习原始高斯参数时重建结果的 PSNR 只有 37.5而在采用 SF 表达之后这一数值提升到了63.4。这个结果说明统一且对神经网络友好的表示方式可以极大释放 3D Gaussian 在基于学习的前馈网络重建质量上的潜力而提升并不是来自更复杂的模型而是来自更合理的表示本身。2.零样本泛化能力一个相当出人意料的结果是我们的方法几乎不依赖具体数据域。即使只在随机生成的合成高斯数据集上训练SF-VAE也依然能够在复杂的真实场景中表现良好zero-shot。例如在完全没有见过真实场景数据的情况下模型依然可以直接泛化到 Mip-NeRF 360这样的真实世界数据集上且重建效果几乎不受影响。这说明Submanifold Field Embedding 捕捉到的是高斯本身的几何结构而不是某一类数据分布的统计特征。3.对噪声的鲁棒性在许多下游任务中模型预测得到的embedding往往不可避免地会包含噪声。为此我们在设计 SF embedding 时刻意强调了表示的平滑性和连续性。实验中的行为分析表明即使在噪声水平较高的情况下SF-VAE 依然能够很好地保持高斯的几何结构相比之下直接基于参数的模型在这种条件下往往会更容易失效。我们通过如下Manifold Distance来评估高斯之间的偏差结果显示SF embedding对噪声的敏感性显著更低这也是其在复杂下游任务中表现更稳定的重要原因。超越重建面向下游任务的应用SF Embedding不只是用于提升重建质量它还能捕捉3D高斯中更深层的语义结构这也为一系列下游应用打开了新的空间。首先在无监督语义聚类任务中基于 Submanifold Field 的嵌入相比原始高斯参数能够更好地保留局部和整体的语义信息使得相似语义结构在嵌入空间中自然聚集。其次在Gaussian Neural FieldsGNF场景下SF Embedding 可以作为一个数值上更稳定的学习目标用于基于前馈神经网络的重建任务。这一点在实际训练中尤为重要因为它显著降低了由参数不连续性带来的优化困难。本文仅做学术分享如有侵权请联系删文。3D视觉方向论文辅导来啦可辅导SCI期刊、CCF会议、本硕博毕设、核心期刊等3D视觉硬件3D视觉学习圈子「3D视觉从入门到精通」知识星球(点开有惊喜)星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研欢迎扫码加入3D视觉全栈学习课程www.3dcver.com3D视觉交流群成立啦添加微信cv3d001备注姓名方向单位邀请入群