Hierarchical Consensus Network for Multiview Feature Learning
School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院）；Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能学院）
本文提出层次共识网络（HCN），通过分类共识、编码共识和全局共识三个层次指标整合多视图信息，从而学习更具判别力的一致性特征，并在四个多视图数据集上显著优于现有方法。
2025-02-04 cs.CV cs.LG
CHROME: Clothed Human Reconstruction with Occlusion-Resilience and Multiview-Consistency from a Single Image
University of California, Riverside（加州大学河滨分校）；United Imaging Intelligence（联合影像智能）
针对单张遮挡图像重建穿衣人体时存在的多视角不一致和碎片化问题，提出CHROME流程，利用多视角扩散模型合成无遮挡视图并结合三维高斯重建，无需几何先验，显著提升新视角合成与几何重建质量。
2025-10-17 cs.CV
Self-Supervised Correspondence Estimation via Multiview Registration
University of Michigan（密歇根大学）；Meta AI
视频为我们提供了视觉学习所需的时空一致性。最近的方法已经利用该信号来学习来自邻近帧对的对应性估计。然而，通过仅依赖于近距离帧对，这些方法错过了远距离重叠帧之间的更丰富的长距离一致性。为了解决这个问题，我们提出了一种自监督的方法，从短RGB-D视频序列中的多视图一致性学习对应估计。我们的方法结合成对的对应估计和注册一个新的SE（3）变换同步算法。我们的关键见解是，自监督多视图配准允许我们在更长的时间范围内获得对应关系;增加了采样对的多样性和难度。我们评估了我们的方法在室内场景中的对应估计和RGB-D点云配准，发现我们的表现与监督方法不相上下。
2022-12-06 cs.CV
Two Views Are Better than One: Monocular 3D Pose Estimation with Multiview Consistency
Visual Computing, Technical University of Denmark（技术大学丹麦视觉计算中心）；TrackMan A/S, Denmark（丹麦TrackMan公司）
本文提出一种多视图一致性损失函数，仅在训练时利用同步双视图数据，无需3D真值和相机标定，即可显著提升单目3D人体姿态估计模型的微调与半监督训练性能。
2025-05-08 cs.CV
VistaGEN: Consistent Driving Video Generation with Fine-Grained Control Using Multiview Visual-Language Reasoning
Hong Kong University of Science and Technology（香港科技大学）；Meituan, Inc.（美团）；Beijing Normal University（北京师范大学）
本文提出VistaGEN，通过多视角视觉语言推理实现驾驶视频生成的细粒度控制与时空一致性，引入多视角视觉语言评估器和对象级细化模块，提升长视频生成质量与一致性。
2026-03-30 cs.CV
Spectral Consistency-Guided Multiview Point Cloud Registration for Low-Overlap Scenes
Wuhan University（武汉大学）；Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所）
提出GMPCR，一种基于谱一致性引导的非学习多视角点云配准框架，通过谱响应评估对应可靠性与扫描对置信度，稀疏化姿态图，在低重叠场景下实现高效鲁棒配准，在3DMatch和3DLoMatch上分别达到97.2%和89.6%的召回率。
2026-09-14 cs.CV
Semi-supervised Dense Keypoints Using Unlabeled Multiview Images
University of Minnesota（明尼苏达大学）；TuSimple（图森未来）；Unity（Unity公司）
本文提出一种半监督稠密关键点检测框架，通过概率极线约束和孪生网络利用无标注多视角图像学习几何一致的稠密关键点，在关键点精度、多视角一致性和3D重建精度上优于现有方法。
2024-02-20 cs.CV
Geometry and Perception Guided Gaussians for Multiview-consistent 3D Generation from a Single Image
Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）
针对单图3D生成中多视角一致性与几何细节不足的问题，本文融合几何和感知先验引导3D Gaussian Splatting优化，并结合稳定SDS与重投影深度一致性，显著提升新视角合成和重建效果。
2025-10-18 cs.CV
MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields
School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院，哈尔滨工业大学）
针对稀疏视角下3D高斯辐射场因缺乏多视角一致性约束导致性能次优的问题，提出MCGS框架，通过稀疏匹配器引导初始化与一致性剪枝策略，提升场景重建鲁棒性、渲染效率并降低内存消耗。
2025-08-26 cs.CV
VistaDream: Sampling multiview consistent images for single-view scene reconstruction
Wuhan University（武汉大学）；Hong Kong University of Science and Technology（香港科技大学）；Nanyang Technological University（南洋理工大学）；Texas A&M University（德克萨斯农工大学）
VistaDream提出两阶段单视图3D重建框架，先构建全局粗略3D骨架并迭代生成新视角图像，再通过无需训练的多视图一致性采样增强生成图像间一致性，显著优于基线方法。
2024-10-22 cs.CV
SurfaceNet: An End-to-end 3D Neural Network for Multiview Stereopsis
Hong Kong University of Science and Technology（香港科技大学）；University of Bonn（波恩大学）；Tsinghua University（清华大学）
本文提出了一个端到端的多视点立体视觉学习框架。我们称之为SurfaceNet网络。它将一组图像及其相应的相机参数作为输入，并直接推断3D模型。该框架的主要优点是，无论是照片的一致性，以及表面结构的几何关系，可以直接学习的目的，在一个端到端的方式的多视图立体视觉。SurfaceNet是一个完全3D卷积网络，它通过将相机参数与图像一起编码为3D体素表示来实现。我们在大规模DTU基准上评估SurfaceNet。
2017-08-05 cs.CV
MVTokenFlow: High-quality 4D Content Generation using Multiview Token Flow
ShanghaiTech University（上海科技大学）；The Hong Kong University of Science and Technology（香港科技大学）；The University of Hong Kong（香港大学）
提出 MVTokenFlow，通过多视角扩散构建粗略 4D 场，并以渲染 2D 流引导跨时间步复用 token 重生成一致图像，显著提升单目视频 4D 内容质量。
2025-02-17 cs.CV
OR-NeRF: Object Removing from 3D Scenes Guided by Multiview Segmentation with Neural Radiance Fields
Nanyang Technological University（南洋理工大学）
本文提出OR-NeRF，利用单视图点或文本提示，结合3D几何传播、SAM分割、2D修复及深度与感知监督，高效实现一致的3D场景物体移除。
2023-09-29 cs.CV
Multiview Regenerative Morphing with Dual Flows
National Tsing Hua University（台湾清华大学）；ASUS AICS（华硕人工智能云端事业部）；Aeolus Robotics（风睿机器人）
本文的目的是解决一个新的任务下的多视图设置的图像变形，它需要两组多视图图像作为输入，并生成中间渲染，不仅表现出两个输入集之间的平滑过渡，但也确保在任何过渡状态下的不同视图的视觉一致性。为了实现这一目标，我们提出了一种新的方法，称为多视图再生变形，制定变形过程作为一个优化解决刚性变换和最佳运输插值。给定源和目标场景的多视图输入图像，我们首先学习体积表示，该体积表示对每个场景的几何形状和外观进行建模，以实现新颖视图的渲染。然后，通过求解Wasserstein度量中两个体表示之间的最优传输来获得两个场景之间的变形。我们的方法不依赖于用户指定的对应关系或2D/3D输入网格，我们不假设任何预定义的类别的源和目标场景。所提出的视图一致的插值方案直接对多视图图像产生一个新的和视觉上合理的效果的多视图自由形态变形。
2022-08-02 cs.CV
Consistency Enhancement-Based Deep Multiview Clustering via Contrastive Learning
提出基于对比学习的一致性增强深度多视图聚类方法CCEC，通过引入语义连接块和谱聚类提升多视图特征与聚类表示的一致性，在五个数据集上优于SOTA方法。
2024-03-21 cs.CV cs.LG
Focus on Neighbors and Know the Whole: Towards Consistent Dense Multiview Text-to-Image Generator for 3D Creation
University of Chinese Academy of Sciences, UCAS（中国科学院大学）；National University of Singapore, NUS（新加坡国立大学）
本文提出CoSER，一种面向3D创建的一致稠密多视图文本到图像生成器，通过结合注意力机制与选择性状态空间模型学习相邻视图一致性并快速遍历全局视图，实现了高效且高保真的多视图图像生成。
2024-08-26 cs.CV
DCHM: Depth-Consistent Human Modeling for Multiview Detection
Australian National University（澳大利亚国立大学）；CSIRO Data61（CSIRO数据61）
本文提出DCHM框架，通过超像素级高斯泼溅实现多视角深度一致的人体建模，在稀疏、大规模、拥挤场景下生成精确点云，显著降低噪声并超越现有基线，且首次在该挑战性设置下完成行人重建与多视角分割。
2025-07-19 cs.CV
Exploit Clues from Views: Self-Supervised and Regularized Learning for Multiview Object Recognition
University of California, San Diego（加州大学圣地亚哥分校）
多视图识别在文献中得到了很好的研究，并在目标识别和检索任务中取得了不错的性能。然而，大多数以前的工作依赖于监督学习和一些不切实际的基本假设，如在训练和推理时间的所有视图的可用性。在这项工作中，多视图自监督学习（MV-SSL）的问题进行了研究，只有图像对象的关联。在此基础上，提出了一种新的自监督学习的代理任务。通过随机选择一个物体的图像特征作为物体原型，并结合多视点一致性正则化，实现了视点不变的随机原型嵌入（VISPE）。实验结果表明，VISPE在可见和不可见数据上的识别和检索效果优于其他自监督学习方法。VISPE也可以应用于半监督场景，并在有限的数据下表现出强大的性能。代码可在https://github.com/chihhuiho/VISPE上获得
2020-03-28 cs.CV
FROMAT: Multiview Material Appearance Transfer via Few-Shot Self-Attention Adaptation
Trinity College Dublin（都柏林三一学院）；Arcade AI；AMD
FROMAT通过少样本自注意力适应实现多视图材料外观迁移，提供了一种简单有效的生成方法，提升多视图内容创作的外观多样性。
2025-12-10 cs.CV
Beyond Visual Quality: Evaluating Physical Consistency under Ego-Motion with EgoGenEval
Shanghai AI Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；The University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）
针对视觉生成器在自我运动下物理一致性不足的问题，提出EgoGenEval基准和EgoGen-Train数据，发现成对监督难以同时提升相机运动接地与场景状态保持，需转向轨迹中心范式。
2026-09-11 cs.AI cs.CV
MV-RAG: Retrieval Augmented Multiview Diffusion
Hebrew University of Jerusalem（耶路撒冷希伯来大学）
MV-RAG提出一种检索增强的文本到三维生成流程，通过从二维图像库检索相关图像并条件化多视图扩散模型，结合混合训练策略，显著提升了域外和罕见概念的三维一致性、真实感与文本遵循度。
2025-08-22 cs.AI cs.CV
SyncDreamer: Generating Multiview-consistent Images from a Single-view Image
The university of Hong Kong（香港大学）；Tencent Games（腾讯游戏）；University of Pennsylvania（宾夕法尼亚大学）；Texas A&M University（德克萨斯农工大学）
针对单视图生成多视图时几何与颜色一致性差的问题，提出SyncDreamer同步多视图扩散模型，通过3D感知特征注意力同步反向过程中间态，生成高一致性多视图图像，适配多种3D生成任务。
2024-04-15 cs.AI cs.CV cs.GR
Unsupervised Hierarchical Semantic Segmentation with Multiview Cosegmentation and Clustering Transformers
UC Berkeley（加州大学伯克利分校）；ICSI（国际计算机科学研究所）
无监督语义分割的目的是发现图像内和图像间的分组，这些分组在没有外部监督的情况下捕获类别的对象和视图不变性。自然地，分割具有不同的粒度级别，在无监督分割中产生了歧义。现有的方法避免了这种模糊性，并将其视为建模之外的一个因素，而我们拥抱它，并希望无监督分割的分层分组一致性。我们将无监督分割作为一个逐像素的特征学习问题。我们的想法是，一个好的表示不仅应该揭示特定的分组级别，而且应该以一致和可预测的方式揭示任何分组级别。我们通过同一图像的多个视图之间的共同分割来执行分组和引导特征学习的空间一致性，并通过粗粒度和细粒度特征之间的聚类Transformers来执行分组层次结构的语义一致性。我们提供了第一个数据驱动的无监督分层语义分割方法，称为分层分割（HSG）。通过捕获视觉相似性和统计共现，HSG在五个主要的以对象和场景为中心的基准测试中也大大优于现有的无监督分割方法。我们的代码可在https://github.com/twke18/HSG上公开获取。
2022-04-25 cs.CV cs.LG
MEAT: Multiview Diffusion Model for Human Generation on Megapixels with Mesh Attention
S-Lab, Nanyang Technological University（新加坡南洋理工大学S-Lab）；WICT, Peking University（北京大学WICT）；UCLA（加利福尼亚大学洛杉矶分校）
本文提出MEAT模型，通过网格注意力机制在1024x1024分辨率下训练人体多视角扩散模型，利用人体网格建立跨视角对应关系以降低注意力复杂度，并结合关键点条件与运动视频数据，在百万像素级实现高质量多视角人体图像生成。
2025-03-11 cs.AI cs.CV
Fancy123: One Image to High-Quality 3D Mesh Generation via Plug-and-Play Deformation
Huazhong University of Science and Technology（华中科技大学）；Guangdong Intelligent Robotics Institute（广东智能机器人研究院）；South China University of Technology（华南理工大学）；Pazhou Laboratory（琶洲实验室）
提出Fancy123框架，通过外观和保真度增强模块及反投影操作，解决单图生成3D网格中的多视图不一致、低保真和模糊问题，实现即插即用的高质量重建。
2025-08-12 cs.CV
NeRSP: Neural 3D Reconstruction for Reflective Objects with Sparse Polarized Images
Graduate School of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究生院）；National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室）；National Engineering Research Center of Visual Technology, School of Computer Science, Peking University（北京大学计算机学院视觉技术国家工程研究中心）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对稀疏视角下反射表面重建难题，提出NeRSP方法，利用偏振图像形成模型与多视图方位角一致性联合优化隐式神经表示几何，仅需6视图即达到SOTA重建效果。
2024-06-11 cs.CV
SVG360: Editable Multiview Vector Graphics from a Single SVG
Technical University of Darmstadt（达姆施塔特技术大学）；University of Stuttgart（斯图加特大学）
本文提出SVG360框架，通过视图一致的矢量化流程将单个SVG转换为几何和视觉一致的多视角SVG资产，解决了多视角下路径碎片化和颜色不稳定的问题，提升了多视角一致性与编辑性。
2026-05-19 cs.CV
GVP: Generative Volumetric Primitives
本文提出GVP，首个能实时渲染512分辨率图像的纯3D生成模型，通过2D卷积网络联合建模体积基元及空间信息，并利用知识蒸馏实现高自由度训练，在效率和3D一致性上超越现有方法。
2023-03-31 cs.CV cs.GR cs.LG
GaussVideoDreamer: 3D Scene Generation with Video Diffusion and Inconsistency-Aware Gaussian Splatting
Peking University（北京大学）
针对单图像3D场景重建的不适定性和现有方法的泛化或一致性问题，提出GaussVideoDreamer，通过渐进式视频补绘和不一致感知高斯溅射，实现更高质量、更快速度的3D场景生成，性能优于现有方法。
2025-04-16 cs.CV
PSHuman: Photorealistic Single-image 3D Human Reconstruction using Cross-Scale Multiview Diffusion and Explicit Remeshing
HKUST（香港科技大学）；Southeast University（东南大学）；Tsinghua University（清华大学）；VAST
提出PSHuman框架，通过跨尺度多视图扩散和SMPL-X条件生成，解决单视图人体重建中的几何失真和自遮挡问题，实现高保真几何与纹理重建。
2026-07-01 cs.CV
FaceCraft4D: Animated 3D Facial Avatar Generation from a Single Image
University of Cambridge（剑桥大学）；Stability AI
提出FaceCraft4D框架，利用形状、图像和视频先验从单张图像生成高质量可动画4D面部化身，通过3D-GAN反演、深度引导纹理增强和一致性-不一致性训练，实现跨视角和表情的优越一致性。
2025-04-21 cs.CV
Inpaint4DNeRF: Promptable Spatio-Temporal NeRF Inpainting with Generative Diffusion Models
HKUST（香港科技大学）；Dartmouth College（达特茅斯学院）
本文提出Inpaint4DNeRF框架，利用稳定扩散模型生成种子图像及3D几何代理，解决静态与动态NeRF场景中的时空修复与多视角一致性问题。
2023-12-30 cs.CV
Sparse Multiview Open-Vocabulary 3D Detection
Centre for Mathematical Sciences, Lund University（数学科学中心，卢德大学）；Sony Corporation, Lund Laboratory, Sweden（索尼公司，卢德实验室，瑞典）
本文提出一种无需训练的稀疏多视角开放词汇3D检测方法，通过提升二维检测并优化三维候选框的跨视角特征一致性，在稀疏视角下显著超越现有方法。
2025-09-19 cs.CV
Semantically Informed Multiview Surface Refinement
ETH Zurich（苏黎世联邦理工学院）
我们提出了一种方法来联合细化的几何和语义分割的三维表面网格。我们的方法在更新形状和语义标签之间交替。在几何细化步骤中，利用变分能量最小化来变形网格，使得其同时最大化跨一组校准图像的语义分割的照片一致性和兼容性。标签特定的形状先验解释了3D中几何和语义标签之间的相互作用。在语义分割步骤中，利用MRF推理更新网格上的标签，使得它们与输入图像中的语义分割兼容。此外，该步骤包括关于不同语义类的表面形状的先验假设。先验信息诱导了紧耦合，其中语义信息影响形状更新，反之亦然。具体来说，我们引入先验，有利于（i）自适应平滑，这取决于类标签;（ii）类边界的直线度;（iii）与表面方向一致的语义标签。新的基于网格的重建进行了评估，在一系列的实验与真实和合成数据。我们比较两个国家的最先进的，基于体素的语义3D重建，和纯粹的几何网格细化，并证明该方案产生改进的3D几何形状以及改进的语义分割。
2017-06-26 cs.CV
Sparse3D: Distilling Multiview-Consistent Diffusion for Object Reconstruction from Sparse Views
Tsinghua University（清华大学）；Tencent PCG（腾讯PCG）；Beijing Normal University（北京师范大学）
Sparse3D通过从多视图一致扩散模型中蒸馏先验并引入类别分数蒸馏采样，实现了从稀疏视图的高质量3D物体重建，在NVS和几何指标上超越现有方法。
2023-12-20 cs.CV
Fake It To Make It: Virtual Multiviews to Enhance Monocular Indoor Semantic Scene Completion
LG Electronics（LG电子）
本文提出GenFuSE框架，通过虚拟多视图合成与多视图融合适配器增强单目室内语义场景补全，在NYUv2上最高提升4.9%的语义IoU。
2025-03-07 cs.CV cs.LG
SPIn-NeRF: Multiview Segmentation and Perceptual Inpainting with Neural Radiance Fields
Samsung AI Centre Toronto（多伦多三星人工智能中心）；University of Toronto（多伦多大学）；York University（约克大学）；Vector Institute for AI（向量人工智能研究所）
神经辐射场（NeRFs）已经成为新颖视图合成的流行方法。虽然NeRF正在迅速适应更广泛的应用，但直观地编辑NeRF场景仍然是一个开放的挑战。一个重要的编辑任务是从3D场景中移除不需要的对象，使得替换的区域在视觉上是合理的并且与其上下文一致。我们将此任务称为3D修复。在3D中，解决方案必须在多个视图中保持一致，并且在几何上有效。在本文中，我们提出了一种新的3D修复方法，以解决这些挑战。给定单个输入图像中的一小部分图像和稀疏注释，我们的框架首先快速获得目标对象的3D分割掩模。使用掩码，然后引入基于感知优化的方法，该方法利用学习的2D图像inpainters，将其信息提取到3D空间中，同时确保视图一致性。我们还通过引入由具有挑战性的真实世界场景组成的数据集来解决缺乏用于评估3D场景修复方法的多样化基准的问题。特别是，我们的数据集包含有和没有目标对象的相同场景的视图，从而实现3D修复任务的更有原则的基准测试。我们首先证明了我们的方法在多视图分割上的优越性，与基于NeRF的方法和2D分割方法相比。然后，我们评估3D修复的任务，建立最先进的性能对其他NeRF操作算法，以及一个强大的2D图像inpainter基线。项目页面：https://spinnerf3d.github.io
2023-03-15 cs.CV
SPAD : Spatially Aware Multiview Diffusers
University of Toronto（多伦多大学）；Snap Research（Snap研究部）；Vector Institute（矢量研究院）；KAUST（阿卜杜拉国王科技大学）
SPAD通过基于对极几何约束的跨视图注意力和Plücker坐标位置编码，实现可控相机角度的多视图生成，并解决内容复制和Janus问题。
2024-02-07 cs.CV
SyncHuman: Synchronizing 2D and 3D Generative Models for Single-view Human Reconstruction
PKU（北京大学）；HKUST（香港科技大学）；SEU（上海师范大学）；HKU（香港大学）
本文提出SyncHuman框架，首次结合2D多视图生成模型和3D原生生成模型，通过像素对齐2D-3D同步注意力机制和特征注入机制，实现单视图图像的高质量穿衣人体网格重建。
2025-10-13 cs.CV
NeRO: Neural Geometry and BRDF Reconstruction of Reflective Objects from Multiview Images
The University of Hong Kong（香港大学）；Tencent Games（腾讯游戏）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；University of Pennsylvania（宾夕法尼亚大学）；Texas A&M University（得克萨斯农工大学）
NeRO提出一种两步神经渲染方法，在未知环境光照且无物体掩码条件下，仅从带位姿的多视角RGB图像中精确重建反射物体的几何形状与BRDF。
2023-05-27 cs.CV cs.GR
KFC-W: Generating 3D-Consistent Videos from Unposed Internet Photos
Cornell University（康奈尔大学）；Adobe Research（Adobe研究）
本文提出KFC-W模型，通过自监督学习从未经摆拍的互联网照片生成3D一致的视频，无需3D标注，优于现有方法，在几何和外观一致性上表现更佳，适用于3D高斯点扩散等应用。
2026-05-06 cs.CV
Robust Low-light Scene Restoration via Illumination Transition
The Hong Kong University of Science and Technology（香港科学与技术大学）；The Hong Kong Polytechnic University（香港理工大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；University of Surrey（萨里大学）
提出鲁棒暗光场景恢复框架RoSe，通过3D照度过渡估计与低秩约束实现多视图一致去噪，显著提升正常光照新视角合成的质量。
2025-07-16 cs.CV
GeCo: Evaluating Geometric Consistency for Video Generation via Motion and Structure
Harvard University（哈佛大学）；Google DeepMind（谷歌DeepMind）；MIT（麻省理工学院）
GeCo通过融合残差运动和深度先验，检测静态场景中的几何变形和遮挡不一致问题，并用于评估视频生成模型的性能与缺陷。
2026-08-20 cs.CV
COMETH: Convex Optimization for Multiview Estimation and Tracking of Humans
Department of Engineering for Innovation Medicine（创新医学工程系）；GRASP Laboratory, Department of Mechanical Engineering and Applied Mechanics（GRASP实验室，机械工程与应用力学系）；University of Pennsylvania（宾夕法尼亚大学）
针对边缘多相机人体姿态跟踪中的精度、时空一致性与资源约束问题，提出轻量级 COMETH 融合算法，结合运动学生物力学约束、凸优化逆运动学和状态观测器，并在公共与工业数据集上取得领先性能。
2025-08-28 cs.CV cs.RO
Fossil Image Identification using Deep Learning Ensembles of Data Augmented Multiviews
Fuzhou Institute of Data Technology（福州数据技术研究院）；Fuzhou University（福州大学）；Nanjing University（南京大学）
针对带标注化石图像数量质量有限的问题，提出融合原始、灰度、骨架三视图的深度学习集成框架OGS，在蜓类化石识别任务中性能优于基线，且与人类专家识别一致性更高。
2024-02-02 cs.AI cs.CV q-bio.PE
Fréchet Video Motion Distance: A Metric for Evaluating Motion Consistency in Videos
University of British Columbia（不列颠哥伦比亚大学）；Vector Institute for AI（向量人工智能研究所）；Peking University（北京大学）；University of Toronto（多伦多大学）
针对视频生成中运动一致性评估不足的问题，提出基于关键点跟踪和 Fréchet 距离的 FVMD 指标，实验证明其更符合人类感知且能提升 VQA 模型性能。
2024-07-23 cs.CV
DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models
Apple（苹果公司）；CUHK（香港中文大学）
针对现有3D重建技术缺扩散先验、2D扩散模型缺3D一致性的问题，提出DSplats方法，结合高斯泼溅重建器与预训练潜在扩散模型，在单图转3D任务上实现高质量空间一致输出，刷新Google Scanned Objects数据集基准。
2024-12-11 cs.CV cs.GR cs.LG
AIBench: Evaluating Visual-Logical Consistency in Academic Illustration Generation
Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室）；SJTU（上海交通大学）；FDU（复旦大学）；USTC（中国科学技术大学）；SEU（东南大学）；HKU（香港大学）
本文提出AIBench，首个通过VQA评估学术示意图逻辑正确性及VLM评估美观性的基准，通过四层问题验证生成示意图与论文的一致性，发现模型在该任务上的性能差异显著，且逻辑与美观难以同时优化。
2026-03-31 cs.CV
BeyondMasks: Evaluating Causal and Physical Consistency in Video Object Removal
Bilkent University（毕尔肯大学）；Koç University（科克大学）；Hacettepe University（哈杰泰佩大学）；KUIS AI Center（KUIS人工智能中心）
该研究推出BeyondMasks基准及CORE评估协议，针对现有视频对象移除评估仅关注局部掩码保真度的问题，填补了视觉合理性与因果正确性的差距。
2026-08-21 cs.CV
Self-Learning Expression Deformations for Data-Efficient Gaussian Avatars
Queen Mary University of London（伦敦大学玛丽女王学院）
提出自适应高斯表情框架，通过自监督学习表情驱动的形变，结合2D高斯面元和符号距离场，实现从极少量输入数据（单帧、单目或单张图像）重建高保真可动画化身。
2026-06-04 cs.CV
Free4D: Tuning-free 4D Scene Generation with Spatial-Temporal Consistency
Huazhong University of Science and Technology（华中科技大学）；S-Lab, Nanyang Technological University（南洋理工大学S-Lab）；Great Bay University（大湾区大学）
Free4D提出免调优框架，通过蒸馏预训练模型，从单图生成时空一致的4D场景，实现实时可控渲染。
2025-03-26 cs.CV
TIT-Score: Evaluating Long-Prompt Based Text-to-Image Alignment via Text-to-Image-to-Text Consistency
Institute of Image Communication and Network Engineering（图像通信与网络工程研究所）；MoE Key Lab of Artificial Intelligence, AI Institute（人工智能关键实验室）；Shanghai Jiao Tong University（上海交通大学）
该研究构建含200条长提示词、2,600张图像及人工标注的 LPG-Bench，并提出基于文本-图像-文本一致性的零样本 TIT 指标，显著提升长提示词 T2I 对齐评估与人类判断的一致性。
2025-10-03 cs.CV
How to Spin an Object: First, Get the Shape Right
Google DeepMind（谷歌DeepMind）；University College London（伦敦大学学院）
本文提出unPIC框架，通过多视图几何先验和外观解码器分析图像到3D流程，发现CROCS表示在几何预测和多视图一致性方面优于其他方法。
2026-04-10 cs.CV cs.LG
R2M-Bench: Evaluating Revisit Memory via Relative Consistency in Interactive Video World Models
DreamX Team, Alibaba Group（阿里巴巴集团DreamX团队）；Tongji University（同济大学）；Shanghai Jiao Tong University（上海交通大学）
该研究提出R2M-Bench基准，通过同滚动过程的相对校准评估视频世界模型的重访记忆，其NMR与人类判断相关性良好，可减少慢动作捷径，DreamX-World-Memo表现最优。
2026-08-28 cs.CV
