两张图就能重构3D空间？清华&NTU利用生成模型解锁空间智能新范式

转载于 2025-07-09 09:18:58 发布 · 16 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247808752&idx=5&sn=a8f935cd304ce32f02d36239f70985fe&chksm=e937cdb49efbeefca065cdca9e3ed0c4ab8e6a095961a45563c90d865c0ebdbae91b7e4ed978&scene=126&sessionid=0

文章标签：

#重构 #3d

LangScene-X团队投稿
量子位 | 公众号 QbitAI

最少只用2张图，AI就能像人类一样理解3D空间了。

ICCV 2025最新中稿的LangScene-X：

以全新的生成式框架，仅用稀疏视图（最少只用2张图像）就能构建可泛化的3D语言嵌入场景，对比传统方法如NeRF，通常需要20个视角。

团队一举攻克传统方法依赖密集视图的痛点，更将多模态信息统一在单一模型中，为空间智能领域打开了新大门。

这意味着，生成式模型能像人类一样，仅凭稀疏视觉输入构建融合语言理解的3D空间认知系统。

3D语言场景生成的困境

当前3D语言场景生成有以下3个核心困境：

密集视图依赖与稀疏输入缺失的矛盾

传统方法（如NeRF、Gaussian Splatting）高度依赖校准后的密集视图（通常超过20个视角），当输入视图稀疏（如仅2-3张图像）时，会出现严重的3D结构伪影和语义合成失真。例如，LangSplat和LangSurf在厨房场景中使用稀疏视图时，物体边界模糊率超过40%，而真实场景中获取密集视图往往成本高昂。

跨模态信息割裂与3D一致性缺失

外观、几何、语义三类信息通常由独立模块处理，导致模态间语义错位。现有视频扩散模型仅能生成单一模态，当需要同步生成法线和语义时，会出现物体表面法线与颜色不匹配等问题，在ScanNet测试中，传统方法的法线与RGB一致性误差平均达27.3°。

语言特征高维压缩与泛化能力的瓶颈

CLIP生成的512维语言特征直接嵌入3D场景时内存占用极高，且现有压缩方法需逐场景训练，无法跨场景泛化。例如，OpenGaussian在切换场景时文本查询准确率下降58%，严重限制实际应用。

LangScene-X如何破局

TriMap视频扩散模型：稀疏输入下的多模态统一生成

四阶段渐进训练：先通过大规模网络数据训练关键帧插值能力，再用10K级3D一致视频数据学习几何一致性，接着注入法线和语义监督，最终实现RGB、法线、语义图的协同生成。该策略使模型在仅2张输入图像时，生成的法线与RGB一致性误差降至8.1°，语义掩码边界准确率提升63%。

层级化语义生成：利用视频扩散泛化能力，生成小（s）、中（m）、大（l）三种粒度语义掩码，例如在Teatime场景中可精准定位“红色马克杯”并区分细节。

语言量化压缩器（LQC）：高维特征压缩的泛化革命

向量量化+梯度桥接：通过可学习的嵌入表，将高维CLIP特征映射为3维离散索引，压缩后特征L2重建误差仅0.0001，较传统自编码器降低90%。

跨场景语义锚定：在COCO数据集预训练的LQC无需微调即可跨场景迁移，文本激活图边界锐利度比LangSplat提升2.3倍。

语言嵌入表面场：3D空间的语义-几何联合优化

渐进法线正则化：先通过DUSt3R初始化点云，再用生成的法线图分阶段优化几何表示，自动过滤不可靠区域，使3D表面重建误差大幅降低。

2D/3D聚类监督：通过语义损失和特征分布对齐，强制语言高斯紧密附着在物体表面。例如，“冰箱”查询中激活区域与真实表面重合度达91.7%，远超LangSurf的65.3%。

统一模型与空间智能的融合

统一模型：单模型统合多模态，告别“模块化”低效

传统3D重建往往需要分别处理外观、几何和语义信息，不仅流程繁琐，还难以保证跨模态一致性。LangScene-X创新性地提出TriMap视频扩散模型，通过渐进式多任务训练策略，一次性生成RGB图像、法线图和语义分割图，将三大模态信息无缝整合。

这种“大一统”架构不仅省去多模型协同的复杂流程，更通过视频扩散的强生成先验，确保了生成内容在3D空间中的一致性，精准补全重建中看不见的视角。

搭配语言量化压缩器（LQC），LangScene-X还解决了高维语言特征压缩的难题。无需针对每个场景单独训练，就能将512维的CLIP特征高效编码为低维离散索引，在减少内存开销的同时，保持语言特征的本质属性，真正实现跨场景的泛化能力。

空间智能：让机器像人类一样“理解”3D世界

LangScene-X还通过语言嵌入表面场技术，将文本prompt与3D场景表面精准对齐。比如在“Teatime”场景中输入“stuffed bear”，模型会生成聚焦相关区域的关联图，真正实现用自然语言直接查询3D场景中的物体。

这种能力源于对空间智能的独特设计：模型从稀疏视图中提取多模态知识，再通过语义引导的法线优化和2D/3D聚类损失，将语言信息牢固锚定在3D空间中。

实验显示，在LERF-OVS和ScanNet数据集上，LangScene-X的开放词汇定位准确率和语义分割IoU均大幅超越现有方法，拥有接近人类水平的空间理解能力。

实证结果

在LERF-OVS数据集上，LangScene-X的整体mAcc达80.85%，mIoU达50.52%，较最优基线分别提升31.18%和10.58%；在ScanNet上，整体mIoU更是达到66.54%，超越现有方法14.92%。可视化结果显示，其分割掩码边界更锐利，连“Cabinet”等复杂物体的预测都能超越真实标注。

无论是VR场景构建还是人机交互，LangScene-X有潜力成为核心驱动力，并为自动驾驶、具身智能等场景提供底层技术范式。

论文地址:
https://arxiv.org/abs/2507.02813
项目主页:
https://liuff19.github.io/LangScene-X/
Github仓库:
https://github.com/liuff19/LangScene-X