Newest papers

Latent Bridge: From Video Latents to 3D Geometry via Feature Alignment

Shuai Zhang, Zhanpeng Ouyang, Zhengqing Chen, Ruohong Mei, Shaoyu Chen, Weiqiang Ren, Hui Sun, Qian Zhang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28521 · open-access PDF

Hindi

वीडियो उत्पादन और फ़ीड-फ्रीड 3D पुनर्निर्माण आमतौर पर अलग-अलग प्रतिनिधित्वों का उपयोग करते हैं, जिसके लिए उत्पन्न लैटिन से भूमि को पुनर्प्राप्त करने के लिए आरजीबी डिकोडिंग और दृश्य पुनः-कोडिंग की आवश्यकता होती है। हम लैटिन ब्रिज का प्रस्ताव करते हैं, जो वीडियो जनरेटिंग लैटिन अंतरिक्षों को भूमिगत विशेषता अंतरिक्षों के साथ जोड़ता है ताकि सीधे वीडियो लैटिन से 3 डी भूमिगतता का अनुमान लगाया जा सके। हम Wan2.1 और V-RAE के लिए प्रतिनिधित्व विशिष्ट पुल विकसित करते हैं, जो मध्यवर्ती आरजीबी पथ के बिना कैमरे, गहराई और 3 डी अंक बादल की फ़ीड-फ्रीड पूर्वानुमान की अनुमति देते हैं। प्रत्येक

Machine translation (Meta M2M100); the English original follows.

Abstract

Video generation and feed-forward 3D reconstruction typically use separate representations, requiring RGB decoding and visual re-encoding to recover geometry from generated latents. We propose Latent Bridge, which connects video generative latent spaces with geometric feature spaces to directly predict 3D geometry from video latents. We develop representation-specific bridges for Wan2.1 and V-RAE, enabling feed-forward prediction of cameras, depth, and 3D point clouds without the intermediate RGB pathway. Each bridge is trained on RGB videos through feature distillation, while the video encode

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange