Real2SAM2Real：生成式3D缓存提升视频扩散控制
热点事件持续更新
Real2SAM2Real：生成式3D缓存提升视频扩散控制
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Real2SAM2Real 提出用生成式 3D 缓存为视频扩散模型提供互补上下文：从单张参考图估计出拓扑完整的物体与人体网格（含未观测表面），再把指定相机轨迹下的法线图注入视频扩散模型，从而解耦控制相机与多实例运动。 该方法仅用约 2,000 段单目视频训练，无需显式 3D 资产或多轨迹配对录制。论文称，在实验中其时空一致性与控制精度优于所评估的 SOTA 方法。
AI 根据报道生成 · 1 小时前更新
最新进展10月14日 12:00
Real2SAM2Real：用生成式 3D 缓存为视频扩散模型提供互补上下文报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv · cs.AIReal2SAM2Real：用生成式 3D 缓存为视频扩散模型提供互补上下文
Real2SAM2Real 通过生成式 3D 提升从单张参考图估计出拓扑完整的物体与人体网格（含未观测表面），将指定相机轨迹下的法线图作为互补上下文注入视频扩散模型，实现相机与多实例运动的解耦控制。该方法仅用约 2,000 段单目视频训练，无需显式 3D 资产或多轨迹配对录制，在实验中展现出优于所评估 SOTA 方法的时空一致性与控制精度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。