Scenario Dreamer: Vectorized Latent Diffusion for Generating Driving Simulation Environments
Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）；Polytechnique Montréal（蒙特利尔理工学院）；Princeton University（普林斯顿大学）；Torc Robotics（托尔克机器人公司）
Scenario Dreamer提出向量化潜在扩散模型与自回归Transformer结合的生成式仿真器，以更高效率生成真实多样驾驶场景，并提升规划智能体挑战性。
2025-03-28 cs.CV cs.RO
SceneAE: Scene Generation and Reconstruction in Queryable 3D-Anchored Latent Space
University of California Berkeley（加州大学伯克利分校）；PhiGent Robotics（菲智机器人）；SynapX
该研究提出SceneAE，将场景表示为3D锚定隐空间，通过几何-内容分离提升相机可控性，在场景生成与重建任务中实现了更优的生成质量、更低的计算成本与更强的相机可控性。
2026-10-14 cs.AI cs.CV
Class-Partitioned VQ-VAE and Latent Flow Matching for Point Cloud Scene Generation
本文提出类分区VQ-VAE与潜在流匹配模型，实现无需外部数据库的点云场景生成，有效减少重建误差。
2026-01-18 cs.CV
Sampling 3D Gaussian Scenes in Seconds with Latent Diffusion Models
University of Glasgow（格拉斯哥大学）；University of Edinburgh（爱丁堡大学）
本研究提出仅用2D图像训练的3D场景潜在扩散模型，通过自编码器构建3D高斯泼溅的潜在表示并训练多视图扩散模型，在两个大规模数据集上实现0.2秒生成高质量3D场景，速度较同类模型快一个数量级。
2024-06-18 cs.CV cs.LG
Prometheus: 3D-Aware Latent Diffusion Models for Feed-Forward Text-to-3D Scene Generation
Zhejiang University（浙江大学）；Xiamen University（厦门大学）；Ant Group（蚂蚁集团）；University of Tübingen（蒂宾根大学）
Prometheus提出一种3D感知潜在扩散模型，将文本到3D场景生成形式化为多视图像素对齐的3D高斯前馈生成，并引入RGB-D潜在空间解耦外观与几何，实现秒级高质量物体级和场景级生成。
2025-01-02 cs.CV
SlotDiT: Object-Centric Representations for Diffusion Transformers
University of Bonn（波恩大学）
SlotDiT提出以对象为中心的槽作为扩散Transformer的潜在表示，用于文本引导的机器人视频生成，在保持生成质量的同时提升任务完成率并降低计算成本。
2026-09-16 cs.CV cs.RO
RELATE: Physically Plausible Multi-Object Scene Synthesis Using Structured Latent Spaces
University of Oxford（牛津大学）；University College London（伦敦大学学院）；Niantic；Adobe Research（Adobe研究院）
我们提出了一个模型，学习生成物理上合理的场景和视频的多个相互作用的对象。与其他生成方法类似，RELATE是在原始、未标记的数据上进行端到端训练的。EQUIPATE将以对象为中心的GAN公式与明确说明各个对象之间相关性的模型相结合。这允许模型从物理上可解释的参数化生成逼真的场景和视频。此外，我们表明，建模对象的相关性是必要的，学习解开对象的位置和身份。我们发现，EQUAATE也适合物理现实场景编辑，它显着优于现有技术在以对象为中心的场景生成合成（CLEVR，ShapeStacks）和现实世界的数据（汽车）。此外，与以对象为中心的生成式建模中的最先进方法相比，MPEGATE还可以自然地扩展到动态场景，并生成高视觉保真度的视频。源代码、数据集和更多结果可在http://geometry.cs.ucl.ac.uk/projects/2020/relate/上获得。
2020-11-09 cs.CV
Scene Graph Conditioning in Latent Diffusion
Universität Ulm（乌尔姆大学）
针对扩散模型文本控制不足，提出基于场景图与ControlNet及门控自注意力的条件生成方法，显著提升图像生成质量。
2023-10-16 cs.CV
FORESCENE: FOREcasting human activity via latent SCENE graphs diffusion
Politecnico di Torino（都灵理工大学）
FORESCENE框架利用图自编码器和潜在扩散模型，从视频片段中预测未来场景图中物体和关系的演变，在Action Genome数据集上优于现有方法。
2025-03-08 cs.CV
LaVR: Scene Latent Conditioned Generative Video Trajectory Re-Rendering using Large 4D Reconstruction Models
Meta；University of Maryland（马里兰大学）；University of Oxford（牛津大学）；UC Davis（加州大学戴维斯分校）
本文提出LaVR模型，通过利用大规模4D重建模型的潜在空间中的隐式几何知识，解决视频重绘中几何未条件化模型的空间感知不足和几何条件化模型对深度不准确的依赖问题，实现状态-of-the-art结果。
2026-04-02 cs.CV cs.LG
Diff4Splat: Controllable 4D Scene Generation with Latent Dynamic Reconstruction Models
Peking University（北京大学）；Xiamen University（厦门大学）；CUHK（香港中文大学）；Carnegie Mellon University（卡内基梅隆大学）
Diff4Splat通过单张图像和相机轨迹生成可控的4D场景，结合视频扩散模型的生成先验与大规模4D数据集学习的几何和运动约束，在单次前向传递中直接预测可变形3D高斯场，无需测试时优化。
2026-04-07 cs.CV
LatentEditor: Text Driven Local Editing of 3D Scenes
Center for Research in Computer Vision, University of Central Florida（中佛罗里达大学计算机视觉研究中心）；Department of Computer Science, Wayne State University（韦恩州立大学计算机科学系）
针对神经场编辑难度大的问题，提出LatentEditor框架，通过扩散模型嵌入场景、delta分数生成掩码、IP2P评分迭代更新实现文本驱动的3D场景局部编辑，在四个基准数据集上实现更快速度与更优质量。
2024-07-13 cs.AI cs.CV
FLAT: Feedforward Latent Triangle Splatting for Geometrically Accurate Scene Generation
Google Research（谷歌研究院）；University of Oxford, Visual Geometry Group（牛津大学视觉几何组）；TU Munich（慕尼黑工业大学）
提出FLAT方法，首次从视频扩散潜在表示中直接解码三角形泼溅，通过射线中心旋转参数化和乘积窗口函数解决梯度流问题，在保持视觉质量的同时显著提升几何精度。
2026-06-24 cs.CV
GuardianBench: A Same-Scene Instruction-Contrastive Benchmark for Latent Contextual Risk in Embodied AI
Shandong University（山东大学）；National University of Singapore（新加坡国立大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Xiaomi Corporation（小米公司）
该研究提出基于国际安全标准的同场景指令对比基准GuardianBench，发现VLMs对指令不敏感，用轻量级目标VLOS可提升其安全推理性能。
2026-08-25 cs.AI cs.CL cs.RO
LumiNet: Latent Intrinsics Meets Diffusion Models for Indoor Scene Relighting
University of Amsterdam（阿姆斯特丹大学）；BCAI-Bosch（BCAI-博世）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
本研究提出LumiNet架构，结合潜在本征表征与改进的扩散ControlNet，通过数据整理策略和MLP适配器实现室内场景光照迁移，在仅图像输入的复杂室内场景中性能优于现有方法。
2025-09-03 cs.CV cs.GR cs.LG
DriveWorld-VLA: Unified Latent-Space World Modeling with Vision-Language-Action for Autonomous Driving
School of Computer Science（计算机科学学院）；Beijing Key Laboratory of Traffic Data Mining（交通数据挖掘重点实验室）；Beijing Jiaotong University（北京交通大学）
DriveWorld-VLA通过统一视觉-语言-动作与潜在空间世界建模，提升自动驾驶中的决策与前瞻性想象能力。
2026-02-06 cs.CV cs.RO
Any 3D Scene is Worth 1K Tokens: 3D-Grounded Representation for Scene Generation at Scale
Westlake University（西湖大学）；Afari Intelligent Drive（阿法里智能驾驶）；Zhejiang University（浙江大学）
本文提出在隐式3D潜在空间中直接生成3D场景，解决传统2D方法在3D空间扩展中的不足，通过3DRAE和3DDiT实现高效且一致的3D生成。
2026-10-20 cs.CG cs.CV
VGGRPO: Towards World-Consistent Video Generation with 4D Latent Reward
Google（谷歌）；University of Oxford（牛津大学）；CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院CREST-ENSAE）；University of Copenhagen（哥本哈根大学）
VGGRPO通过引入4D潜在几何模型和组相对策略优化，提升视频生成的几何一致性与稳定性，避免VAE解码的高计算开销。
2026-07-14 cs.CV
Gen3R: 3D Scene Generation Meets Feed-Forward Reconstruction
Zhejiang University（浙江大学）；ByteDance Project（字节跳动项目）
Gen3R通过结合基础重建模型的强先验与视频扩散模型，实现3D场景生成，生成RGB视频及3D几何数据，实验显示其在单图和多图条件下达到SOTA结果。
2026-03-23 cs.CV
Generating metamers of human scene understanding
Stony Brook University（史泰文布魯克大學）；UC Berkeley（加州大學伯克利分校）
本文提出MetamerGen，一种结合外围和注视信息生成与人类场景理解一致的图像的潜在扩散模型，通过双流表示实现视网膜输入的图像合成，并通过行为实验验证其对潜在场景表示的感知一致性。
2026-02-24 cs.AI cs.CV
Beyond Surface Statistics: Scene Representations in a Latent Diffusion Model
Harvard University（哈佛大学）
本研究针对潜在扩散模型（LDM）的可解释性问题，通过线性探针发现其内部激活编码了3D深度与前后景区分的线性表示，且这类表示在去噪早期就已出现，干预实验证实其对图像合成有因果作用，可用于高层编辑。
2023-11-04 cs.AI cs.CV cs.LG
Natural scene reconstruction from fMRI signals using generative latent diffusion
CerCo, CNRS UMR5549（法国国家科学研究中心CerCo实验室（UMR5549））；Universite de Toulouse（图卢兹大学）；ANITI（ANITI研究所）
本研究提出Brain-Diffuser两阶段框架，结合VDVAE和潜在扩散模型，从fMRI信号重建自然场景，在公开基准上优于以往方法，并生成符合神经科学的ROI最优场景。
2023-06-21 cs.AI cs.CV q-bio.NC
Latent-Foresight: End-to-End Learning Predictable Representations for Latent World Models
Archimedes, Athena Research Center（阿基米德，雅典娜研究中心）；National Technical University of Athens（雅典国立技术大学）；University of Crete（克里特大学）；IACM-Forth（希腊研究与技术基金会计算与应用数学研究所）
提出Latent-Foresight端到端框架，联合学习潜在分词器和流式生成动力学模型，塑造可预测表示，在多个未来场景理解任务上优于两阶段基线，消除单独训练阶段。
2026-10-02 cs.CV
WaterGen: Decoupling Scene and Medium in Underwater Image Generation
University of Maryland（马里兰大学）；University of South Florida（南佛罗里达大学）；University of Florida（佛罗里达大学）
提出WaterGen方法，通过解耦场景生成和介质建模，在潜在扩散框架下生成大规模、真实、多样的水下图像，提升下游恢复和分割性能。
2026-07-01 cs.CV
SAIL: Self-supervised Albedo Estimation from Real Images with a Latent Diffusion Model
Noah’s Ark, Huawei Paris Research Center（华为巴黎研究中心）；IBISC, Université Paris-Saclay, Univ Evry（巴黎萨克雷大学IBISC实验室）；L Research（L研究）
提出SAIL方法，利用潜在扩散模型先验和潜在空间分解，从真实单视图图像自监督估计稳定反照率，仅需无标签多光照数据。
2025-05-27 cs.CV
Panoptic Scene Program Diffusion Transformer
提出PSP-DiT，一种将全景场景程序作为潜在变量联合去噪的扩散Transformer，在多个基准上显著提升组合提示生成能力，尤其改善计数、属性绑定和角色敏感关系。
2026-11-09 cs.CV cs.LG
Diffusion Probabilistic Models for Scene-Scale 3D Categorical Data
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
在本文中，我们学习了一个扩散模型来生成场景尺度的3D数据。具体来说，我们的模型工艺品由多个对象组成的3D场景，而最近的扩散研究集中在一个单一的对象。为了实现我们的目标，我们用离散的类标签表示场景，即，分类分布，将多个对象分配到语义类别中。因此，我们扩展离散扩散模型来学习场景尺度的分类分布。此外，我们验证了一个潜空间扩散模型，可以减少训练和部署的计算成本。据我们所知，我们的工作是第一个应用离散和潜在扩散的三维分类数据的场景规模。我们进一步建议通过使用我们的扩散模型学习条件分布来执行语义场景完成（SSC），其中条件是稀疏点云中的部分观察。在实验中，我们的经验表明，我们的扩散模型不仅产生合理的场景，但也执行场景完成任务比判别模型。我们的代码和模型可在https://github.com/zoomin-lee/scene-scale-diffusion上获得
2023-01-02 cs.CV
LAMP: 3D Source-Aware Lighting Estimation at Multiple Points
University of Georgia（佐治亚大学）
该研究提出LAMP框架，利用VLMs实现从单张RGB图像对多位置三维光源感知的光照估计，在Infinigen测试集上取得显著效果，可定位物理光源并实现高质量探针渲染。
2026-10-13 cs.CV
Reconstructing Natural Scenes from fMRI Patterns using BigBiGAN
CerCo, CNRS（法国国家科学研究中心脑与认知研究中心）；Université de Toulouse（图卢兹大学）
从脑成像数据解码和重建图像是一个非常感兴趣的研究领域。深度生成神经网络的最新进展为解决这一问题带来了新的机会。在这里，我们采用了最近提出的大规模双向生成对抗网络，称为BigBiGAN，解码和重建的fMRI模式的自然场景。BigBiGAN将图像转换为120维的潜在空间，将类别和属性信息编码在一起，并且还可以基于其潜在向量重建图像。我们计算了从ImageNet的150个不同类别的图像中获取的fMRI数据与其相应的BigBiGAN潜在向量之间的线性映射。然后，我们将此映射应用于从50个未见过的类别中的50个新测试图像中获得的fMRI活动模式，以检索其潜在向量，并重建相应的图像。从预测的潜在向量的成对图像解码是高度准确的（84%）。此外，定性和定量评估表明，所得到的图像重建在视觉上是合理的，成功地捕获了原始图像的许多属性，并与原始内容具有很高的感知相似性。该方法为基于fMRI的自然图像重建建立了一种新的最先进的技术，并且可以灵活地更新以考虑自然场景图像生成模型的任何未来改进。
2020-12-07 cs.CV cs.HC eess.IV
Neural Foundations of Mental Simulation: Future Prediction of Latent Representations on Dynamic Scenes
McGovern Institute for Brain Research, MIT（麻省理工学院麦戈文脑研究所）；Reality Labs, Meta（Meta现实实验室）；Department of Brain and Cognitive Sciences, MIT（麻省理工学院脑与认知科学系）；Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气工程与计算机科学系）
本研究结合目标驱动建模、神经生理数据与人类行为读数，发现以自监督方式在动态视频基础模型潜在空间进行未来预测的模型，最能匹配灵长类心理模拟的神经反应与行为模式，为具身AI提供了启示。
2023-10-25 cs.AI cs.CV cs.RO
Towards Realistic Scene Generation with LiDAR Diffusion Models
Carnegie Mellon University（卡内基梅隆大学）；Toyota Research Institute（丰田研究所）；University of Southern California（南加利福尼亚大学）
本文提出LiDAR扩散模型（LiDMs），通过曲线级压缩、点级坐标监督和块级编码，在潜在空间中生成具有模式、几何和对象真实感的LiDAR场景，实现高效且可控的生成性能。
2024-04-18 cs.AI cs.CV cs.RO
Schrödinger's Cat: Probabilistic Representation and Prediction of Potential Scene Kinematics
研究如何从部分观测预测场景演变，提出GARFIELD概率模型，能学习潜在表示实现轨迹联合采样和运动分布访问，实验显示其在运动规划性能、采样速度及密度估计上优势显著。
2026-07-29 cs.CV cs.LG
GLASS: Guided Latent Slot Diffusion for Object-Centric Learning
Department of Computer Science, TU Darmstadt（图宾根大学计算机科学系）
本文提出 GLASS 槽位注意力模型，通过生成图像空间学习及语义、实例引导提升对象表示，在真实场景对象发现与条件生成任务上显著优于现有方法。
2025-06-07 cs.CV cs.LG
VolFill: Single-View Amodal 3D Scene Reconstruction with Volumetric Flow Matching
UMass Amherst（马萨诸塞大学阿姆赫斯特分校）；TU Crete（希腊技术大学）
提出VolFill框架，利用混合3D VAE和潜在扩散Transformer从单张RGB图像生成完整3D场景结构，在SCRREAM和NRGB-D数据集上显著优于现有方法。
2026-10-28 cs.CV
Autoregressive Diffusion for Compositional Text-to-Scene Generation
Meta Reality Labs（Meta现实实验室）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出一种新的文本到场景生成方法，通过自回归3D扩散模型生成布局和形状，解决文本描述与生成场景不一致的问题。
2026-11-02 cs.AI cs.CV
GeomVLA: Unifying Scene, Motion, and Action in 3D
Carnegie Mellon University（卡内基梅隆大学）；NVIDIA（英伟达）
GeomVLA通过共享3D坐标系统一感知、运动预测和动作生成，利用轨迹去噪器提取运动标记并条件化动作去噪器，在CALVIN上取得最优性能，强调几何一致性的关键作用。
2026-09-17 cs.RO
Diffusion Transformer World-Action Model for AV Scene Prediction
Stanford University（斯坦福大学）
提出紧凑潜世界模型，结合扩散Transformer（DiT）预测未来场景，在nuScenes上实现4.8倍更好的KID，并实现动作可控性（转向ρ=0.81）。
2026-06-12 cs.AI cs.CV cs.LG
Towards Spatially Consistent Image Generation: On Incorporating Intrinsic Scene Properties into Diffusion Models
AI Institute, Seoul National University（首尔国立大学人工智能研究所）；Columbia University（哥伦比亚大学）
本文提出一种基于内在场景属性的图像生成方法，通过同时生成图像和其内在属性，提升生成图像的空间一致性和真实感。
2025-11-26 cs.CV
Walking in the Implicit: Interactive World Exploration via Neural Scene Representation
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Afari Intelligent Drive（Afari智能驾驶）
提出以场景为中心的交互式视频生成范式，将生成变量从帧隐变量改为可渲染的固定长度隐状态（神经隐式场景），通过紧凑场景状态随机转移和确定性姿态条件渲染实现长程一致性。
2026-06-29 cs.CV
ED-NeRF: Efficient Text-Guided Editing of 3D Scene with Latent Space NeRF
KAIST（韩国科学技术院）；Kim Jaechul Graduate School of AI（金在哲人工智能研究生院）
本文提出ED-NeRF方法，通过将真实场景嵌入潜在扩散模型潜在空间并迁移DDS蒸馏损失，实现比传统方法更快且质量更高的3D场景文本引导编辑。
2024-03-21 cs.AI cs.CV cs.LG
SceneHI: High-Resolution 3D-Consistent Scene Texturing with Controllable Illumination
University of Glasgow（格拉斯哥大学）
SceneHI提出一种无需微调或优化的三维纹理合成框架，通过解析像素到纹素映射和高分辨率潜在纹理实现多视角一致的高分辨率纹理生成，并嵌入光照感知阴影，相比现有方法生成时间减少80%。
2026-09-10 cs.CV cs.GR
Sketch-Guided Scene Image Generation
JAIST（日本先进科学技术学院）
针对手绘草图转复杂场景图像的扩散模型生成难题，提出拆解为对象级跨域生成与场景级构建的Sketch-Guided框架，通过身份嵌入保前景保真、布局融合与全局提示生成，性能超越现有最优方法。
2024-07-09 cs.CV cs.GR
ORL-LDM: Offline Reinforcement Learning Guided Latent Diffusion Model Super-Resolution Reconstruction
本文提出ORL-LDM，通过构建状态、动作与奖励环境并用PPO在LDM反向去噪中微调，显著提升遥感图像超分辨率质量及复杂场景适应性。
2025-07-23 cs.AI cs.CV
Scene Splatter: Momentum 3D Scene Generation from Single Image with Video Diffusion Model
Tsinghua University（清华大学）；WeChat Vision, Tecent Inc.（腾讯微信视觉）
提出Scene Splatter，一种基于动量的视频扩散范式，通过级联潜在级和像素级动量从单张图像迭代生成高保真且一致的3D场景，克服了视频长度限制和场景不一致问题。
2025-04-03 cs.AI cs.CV
PrITTI: Primitive-based Generation of Controllable and Editable 3D Semantic Urban Scenes
University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）；Zhejiang University（浙江大学）；Noah’s Ark Lab, Huawei（华为诺亚实验室）；KE:SAI - Kyutai ELLIS Scalable Autonomous Intelligence（KE:SAI - 韩国ELLIS可扩展自主智能）
提出PrITTI，一种利用矢量化对象基元和栅格化地面表面的混合表示，通过潜在扩散模型实现高质量、可控且可编辑的3D语义城市场景生成。
2026-05-24 cs.CV
SceneAdapt: Scene-aware Adaptation of Human Motion Diffusion
Yonsei University（延世大学）；Carnegie Mellon University（卡内基梅隆大学）；UC Merced（加州大学默塞德分校）；Google DeepMind（谷歌DeepMind）；Seoul National University（首尔国立大学）
本文提出SceneAdapt框架，通过运动插值和场景感知插值生成语义丰富的场景感知人类运动，无需大规模配对文本-场景-运动数据。
2026-03-30 cs.AI cs.CV
Semantic Hierarchy Emerges in Deep Generative Representations for Scene Synthesis
Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程学系）
尽管生成对抗网络（GANs）在图像合成方面取得了成功，但人们对生成模型在深度生成表示中学到了什么以及照片般逼真的图像如何能够由最近GANs中引入的逐层随机性组成缺乏足够的理解。在这项工作中，我们表明，高度结构化的语义层次出现的变化因素，从合成场景的生成表示在国家的最先进的GAN模型，如样式GAN和大GAN。通过在不同的抽象层次上探测具有广泛语义集的逐层表示，我们能够量化输出图像中发生的激活和语义之间的因果关系。这样的量化识别了由GANs学习的人类可理解的变化因素来组成场景。定性和定量结果进一步表明，由具有逐层潜在代码的GANs学习的生成表示专门用于合成不同的层次语义：早期层倾向于确定空间布局和配置，中间层控制分类对象，后期层最终呈现场景属性以及配色方案。识别这样一组可操纵的潜在变化因素有助于语义场景操纵。
2020-02-11 cs.CV cs.GR cs.LG
DrivingDiffusion: Layout-Guided multi-view driving scene video generation with latent diffusion model
Baidu Inc.（百度公司）
针对自动驾驶多视角视频数据稀缺问题，提出DrivingDiffusion框架，通过级联多视角单帧生成、共享单视角视频生成及后处理，实现由3D布局控制的时空一致多视角驾驶视频生成。
2023-10-11 cs.AI cs.CV
LAMP: Leveraging Language Prompts for Multi-person Pose Estimation
University of Central Florida（中佛罗里达大学）
本文提出基于语言提示的多人姿态估计方法 LAMP，利用 CLIP 生成的文本表示在实例和关节层面理解姿态，学习更鲁棒的视觉特征，有效缓解拥挤场景下的遮挡问题，提升单阶段多人姿态估计性能。
2023-07-26 cs.CV
Cross Scene Prediction via Modeling Dynamic Correlation using Latent Space Shared Auto-Encoders
Peking University（北京大学）
该工作解决了以下问题：给定一组非同步的历史观测的两个场景，其动态变化是相关的，其目的是学习跨场景预测器，使一个场景的观察，机器人可以在线预测的动态状态的另一个。提出了一种基于潜在空间共享自编码器的动态相关建模方法。假设场景动态的内在相关性可以由共享的潜在空间来表示，其中如果两个场景的观测在近似时间处则达到共同的潜在状态，则通过通过潜在空间连接两个自动编码器来开发学习模型，并且通过将输入场景的编码器与目标场景的解码器连接来建立预测模型。模拟数据集是模拟校园两个相邻大门的动态流量生成的，其中动态变化是由共同的工作和教学时间表触发的。类似的情况下，也可以发现在连续的交叉路口在一条道路上，一个地铁站的大门等跨场景预测的准确性进行检查，在各种条件下的场景相关性和成对的意见。通过与传统的端到端方法和线性预测的比较，证明了所提出的方法的潜力。
2020-03-31 cs.CV cs.LG cs.RO
Camera-LiDAR Fusion with Latent Contact for Place Recognition in Challenging Cross-Scenes
Southeast University（东南大学）
针对跨场景地点识别中视角、季节变化等挑战，提出三通道描述符，含图像、点云及基于潜在接触的双阶段融合分支，在多个数据集上达到最先进性能。
2023-10-16 cs.CV cs.RO
JointEdit3D: Feed-Forward 3D Scene Editing in a Unified Latent Space
East China Normal University（华东师范大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；Tencent（腾讯）
提出JointEdit3D，在统一RGB-几何重建生成潜在空间中通过非对称潜在修复实现前馈3D场景编辑，引入SceneAnchor分支和编辑/背景感知损失，并构建SceneEdit3D-15K数据集和SceneEdit3D-Bench基准，显著提升编辑区域质量和3D结构完整性。
2026-09-30 cs.CV
SceneFactor: Factored Latent 3D Diffusion for Controllable 3D Scene Generation
Technical University of Munich（慕尼黑工业大学）；Carnegie Mellon University（卡内基梅隆大学）
提出SceneFactor因子化潜空间3D扩散框架，利用语义与几何流形实现文本引导的任意规模场景生成，并通过语义3D框代理空间支持直观、局部且高保真一致的可控编辑。
2024-12-03 cs.CV
Scene relighting with illumination estimation in the latent space on an encoder-decoder scheme
EPFL（洛桑联邦理工学院）
在两幅图像之间转移照明条件的图像重照明任务提供了一个有趣且困难的挑战，其在摄影、电影摄影和计算机图形学中具有潜在的应用。在本报告中，我们提出了我们试图实现这一目标的方法。我们的模型是在具有不同场景内容、光源位置和色温的人工位置的渲染数据集上训练的。利用这个数据集，我们使用了一个具有光照估计组件的网络，旨在推断和替换相关场景的潜在空间表示中的光照条件。
2020-06-03 cs.CV
