MoCam: Verenigde Nieuwe Aanzichtsynthese via Gestructureerde Denoising-dynamica

Samenvatting

Generatieve nieuwe-aanzichtsynthese staat voor een fundamenteel dilemma: geometrische priori’s bieden ruimtelijke uitlijning, maar worden schaars en onnauwkeurig bij aanzichtsveranderingen, terwijl verschijningspriori’s visuele getrouwheid bieden, maar geometrische correspondentie missen. Bestaande methoden propageren ofwel geometrische fouten door de generatie heen, of lijden onder signaalconflicten bij het statisch combineren van beide. Wij introduceren MoCam, die gestructureerde denoising-dynamica gebruikt om een gecoördineerde voortgang van geometrie naar verschijning binnen het diffusieproces te orkestreren. MoCam benut eerst in vroege stadia geometrische priori’s om grove structuren te verankeren en hun onvolledigheid te tolereren, en schakelt vervolgens in latere stadia over op verschijningspriori’s om geometrische fouten actief te corrigeren en details te verfijnen. Dit ontwerp verenigt op natuurlijke wijze statische en dynamische aanzichtsynthese door temporele ontkoppeling van geometrische uitlijning en verschijningsverfijning binnen het diffusieproces. Experimenten tonen aan dat MoCam aanzienlijk beter presteert dan eerdere methoden, met name wanneer puntenwolken ernstige gaten of vervormingen bevatten, wat leidt tot een robuuste ontwarring van geometrie en verschijning.

English

Generative novel view synthesis faces a fundamental dilemma: geometric priors provide spatial alignment but become sparse and inaccurate under view changes, while appearance priors offer visual fidelity but lack geometric correspondence. Existing methods either propagate geometric errors throughout generation or suffer from signal conflicts when fusing both statically. We introduce MoCam, which employs structured denoising dynamics to orchestrate a coordinated progression from geometry to appearance within the diffusion process.MoCam first leverages geometric priors in early stages to anchor coarse structures and tolerate their incompleteness, then switches to appearance priors in later stages to actively correct geometric errors and refine details. This design naturally unifies static and dynamic view synthesis by temporally decoupling geometric alignment and appearance refinement within the diffusion process.Experiments demonstrate that MoCam significantly outperforms prior methods, particularly when point clouds contain severe holes or distortions, achieving robust geometry-appearance disentanglement.