#计算机视觉

本文提出了一种名为VGGT的视觉几何基础Transformer，用于直接推断场景的3D属性。它接受多张图像，预测相机参数、点云图、深度图和3D点轨迹，无需传统几何优化后处理，速度快且精度高。VGGT在相机参数估计、多视角深度估计、点云重建和3D点跟踪等任务中达到SOTA水平。预训练的VGGT特征还可显著提升下游任务，如非刚性点跟踪和新视角合成。代码和模型已公开。

#计算机视觉

本文提出了一种端到端任意骨骼运动捕捉方法MoCapAnything V2。
* 该方法无需人工干预，可直接从单目视频中捕捉各种生物的运动。
* 通过引入参考姿势-旋转对，解决了姿势到旋转映射的歧义性问题。
* 提出的全局-局部图引导多头注意力机制(GL-GMHA)模块，能有效建模结构约束和全局运动依赖关系。
* 实验表明，该方法在多个数据集上都取得了良好的效果，并显著提高了推理速度。

#计算机视觉

本文提出了一个名为PhyCo的框架，旨在为生成视频模型引入连续、可解释且基于物理的控制。
- PhyCo框架集成了包含超过10万个逼真模拟视频的大规模数据集，这些视频在不同场景中系统地改变了摩擦力、恢复系数、形变和外力。
- 该框架利用物理监督微调预训练的扩散模型，该模型以像素对齐的物理属性图为条件。
- 通过VLM引导的奖励优化，使用微调的视觉语言模型评估生成的视频与目标物理查询，并提供可区分的反馈。
- PhyCo在物理智商（Physics-IQ）基准测试中显著提高了物理真实感，并通过人类研究证实了对物理属性更清晰、更忠实的控制。
- 结果表明，通过物理属性的变异，该框架能够生成物理上一致且可控的输出，而无需任何模拟器或几何重建。

Prox-E：基于基元抽象的精细化三维形状编辑
Prox-E: Fine-Grained 3D Shape Editing via Primitive-Based Abstractions

Etai Sella, Hao Phung, Nitay Amiel, Or Litany, Or Patashnik, 等 (+1)
⭐ 6

• 本文提出了一个名为Prox-E的无需训练框架，专注于实现三维形状的精细化编辑，无需模型训练即可直接应用。
• 该框架的核心在于利用几何基元对复杂三维结构进行抽象表示，从而实现对形状的精确控制。
• 结合视觉语言模型的能力，Prox-E能够在编辑过程中理解语义指令，并确保对形状的局部结构进行修改。
• 关键是，在进行这些局部修改的同时，框架能够有效地保持三维物体的原始身份和整体特征，避免不一致性。

🔗 arXiv · 🤗 HF

#三维编辑 #几何基元 #视觉语言模型 #形状抽象 #计算机图形

基于空间变化颜色与透明度的高斯溅射增强方法
SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors
⭐ 3 · arXiv · HF
#高斯溅射 #三维重建 #新视角合成 #计算机视觉 #神经渲染