WildFusion：在视图空间学习 3D 感知潜在扩散模型

基于摘要分析。WildFusion 研究从自然场景图像数据学习 3D 感知图像合成的问题，针对共享规范坐标系难以定义的情形，改在视图空间建模实例，并通过具备 3D 感知能力的自编码器与潜在扩散模型实现图像生成和新视角合成。 核心机制分为两个阶段：首先训练自编码器，将图像压缩为同时捕获其底层 3D 结构的潜在表示，使其不仅支持重建，也支持新视角合成；该阶段利用单目深度预测提供的线索学习 3D 表示。随后在这一 3D 感知潜在空间中训练扩散模型，以生成具有 3D 一致性的图像。摘要未说明具体网络结构、深度线索的约束方式、损失函数及推理流程。 相对于在共享规范空间中表示实例的方法，该工作的关键变化是以视图空间为建模基础。作者指出，在这一设置下，已有 GAN 方法容易生成扁平几何，并在分布覆盖上遇到困难；作者报告 WildFusion 能生成高质量、3D 一致的样本，并优于近期先进 GAN 方法，但摘要未提供数据集、划分、对照方法名称或量化指标，尚不能判断优势的幅度与适用范围。 作者强调，训练不使用多视角图像或 3D 几何的直接监督，也不需要附带相机位姿的图像或学习位姿、相机分布；这不等同于完全不使用几何线索，因为方法明确依赖单目深度预测。复现时需核对深度预测器及其训练来源、自编码器的几何约束、潜在空间构建方式，以及新视角一致性与分布覆盖的评估协议。实验协议、消融及统计信息尚未验证。 原论文的主要对象是 3D 图像与内容生成，而非神经信号分析。现有材料未建立其视图空间和单目深度机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。