本文的主要作者包括香港大学博士生孙阳天，刘天嘉和 VAST 黄泽桓；通讯作者为 VAST 首席科学家曹炎培和香港大学副教授齐晓娟。
现在的大模型如 GPT-6 Astra，已经越来越会 “搭 3D 场景” 了。但真正把结果拿来用时，却发现前景物体的几何形状、相对尺度与 layout 仍与输入图像存在偏差。香港大学和 VAST 推出了 Mira-Scene: 通过 pixel-aligned 的 layout 表示，保证重建出的 3D 场景和原图严格一致。
从左至右，分别为 Condition 图像、Mira-Scene + GPT-6 Astra 和 GPT-6 Astra From Scratch。
近来，单图 3D 生成模型在 object-level generation 上取得了令人瞩目的进展。给定一张物体图片，生成模型如 Tripo 已经能够恢复出相当精细的三维几何。然而，当问题从 “生成一个物体” 进一步扩展到 “重建整个场景” 时，需要解决一个新的难题：物体生成出来以后，到底应该放在哪里？
针对这一问题，论文 Mira-Scene: Pixel-Aligned Layouts for Generative 3D Scene Reconstruction 提出了一种新的生成式 3D 场景重建框架。它不再直接回归物体的旋转、平移和尺度，而是将场景布局转化为一个稠密、像素对齐的 3D 对应关系恢复问题。仅仅使用 80k 开源数据，Mira-Scene 相比 SAM3D 取得了 39.8% 的 3D IoU 精度提升和 16.5% 的投影 2D IoU 提升。
论文：https://arxiv.org/abs/2609.23796
项目主页：https://vast-eden.ai/?p=mira-scene
代码：https://github.com/VAST-AI-Research/Mira-Scene
全新的 Layout 表示
Mira-Scene 的核心思想在于提出一种更加易于学习和泛化的 layout 表示。
之前常见的做法，是让神经网络直接预测 translation + rotation + scale. 尽管看起来非常简洁，这种表示实际上有两个问题：1) sparse 以及 unbounded. 一个物体所有复杂的空间信息，最后都被压缩成少数几个 pose 参数；同时 translation 等参数又直接定义在开放的 scene coordinate system 中，数值变化范围很大。在遮挡、透视歧义和复杂空间关系存在时，让网络直接从一张图片准确回归这些全局参数并不容易. 2) 这类表示非常依赖带有精确 Layout annotation 的 scene-level 3D data, 而现实中高质量 3D scene 数据远远没有 object-level 3D asset 那么充足。
Mira-Scene 则将 object 在 3D 空间中的 layout 通过 Canonical Coordinate Map (CCM) 和 Point Cloud Map (PCM) 进行表示，如下图 (a) 所示：
其中，CCM 记录每个像素对应椅子 canonical 3D model 上的 (x,y,z) 坐标，而 PCM 则给出该像素在当前 camera/scene coordinate system 中对应的 3D 坐标，二者天然形成了稠密的 3D-3D correspondence. 有了这样的对应关系，便可以通过 RANSAC + Umeyama alignment 得到最终 transformation，再将生成的 canonical geometry 放回整个场景。这使得一个原本困难的 sparse pose regression 问题，被转换成了一个具有大量几何约束的 over-determined alignment problem。
Geometry & Layout 联合生成
为了保证生成的 3D 形状和 CCM 能够更好地对齐，Mira-Scene 进一步提出了一个 Geometry-Layout Co-Generation 框架。 如上图 (b) 所示，Geometry Expert 负责在 3D voxel latent space 中生成物体几何，Layout Expert 负责在 2D pixel space 中生成 CCM. 两种模态分别保留自己的网络参数和表示形式，通过 shared multimodal self-attention 进行信息交互。同时 Mira-Scene 还为 geometry token 和 layout token 构造了一个 shared 3D positional space，进一步增强两种模态之间的对应关系。整体的训练流程如下图 (c)：
两阶段训练范式
由于定义在标准化 canonical object space 中，CCM 带来的另一个优势是，模型的训练并不要求必须拥有大量带精确 Layout 标注的完整 3D scene，普通 object-level 3D asset 就可以产生 CCM supervision. 因此，论文采用了一个两阶段训练方案：第一阶段是 Object-level Pre-training, 作者使用 60K 个 3D objects 渲染出 100 万个 object-centric views, 让模型首先学习 object geometry 和 CCM 的联合生成。第二阶段进入 Scene-level Fine-tuning，利用利用约 20K 个 3D-FRONT scene views 让模型进一步适应真实场景里的遮挡、透视变化，以及 amodal object reconstruction. 训练策略可以总结为，大量 object-level data 学 “geometry + ccm 一致性”，少量 scene-level data 学 “真实场景中的遮挡和上下文”，如下图 (d)：
场景重建结果
Mira-Scene 能够从单张图出发，生成 3D 物体并还原对应的场景布局，效果如下：
得益于 Mira-Scene 的 CCM- PCM layout 表示，生成的 3D 场景可以直接和单张图片的点云估计结果对齐，效果如下：
与现有方法相比，Mira-Scene 展现出了显著的优势。在 BlendSwap 和 3D-Front benchmark 上都取得了大幅的提升：
下面展示了与 SOTA 方法对比的可视化结果：
应用：从场景重建到编辑与交互
作为一个组合式场景生成方法，Mira-Scene 的结果可以直接用于物体级编辑、动画与仿真。比如移除物体、调整物体位姿或重新组合场景资产，并将资产接入后续绑定与动画制作流程。下面的结果展示了在 blender 中进行场景编辑，机械臂抓取，重力模拟和碰撞的效果：
此外，Mira-Scene 的结果还可以直接用于具身交互。下面展示了 Robot 使用 GPT6 产生的 action policy，在 Mira-Scene 的场景下进行仿真交互的结果：
展望
Mira-Scene 希望不仅提供一个更准确的 3D 场景重建方法，也进一步推动社区从一种更加 scalable 的视角重新思考 compositional scene generation: 相比单纯依赖不断扩大的场景级数据，通过合理的表示设计，规模更丰富的 object-level 3D 也可以有效提升场景重建质量。为促进后续研究，团队已经开源完整代码、预训练模型权重以及训练数据样例和评测 benchmark，希望为 3D 场景重建、可编辑 3D 内容生成以及具身智能等方向提供一个开放、可复现的研究基础，并与社区共同探索更加通用、可扩展的 3D 场景生成范式。
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
