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

Japanese

ビデオ生成とフィードアウト3D再構築は、通常、別々の表示を使用し、生成されたラテンからジオメトリを回復するためにRGB解読と視覚再編を必要とする。我々は、ビデオ生成のラテンスペースとジオメトリック機能スペースを接続して、ビデオラテンから3Dジオメトリックを直接予測するラテンを提案するラテンブリッジを提案します。我々は、カメラ、深さ、および3Dポイントクラウドのフィードアウト予測を可能にするWan2.1とV-RAEのための表示特有のブリッジを開発し、中間的なRGBパスなしで3Dポイントクラウドを提供します。各ブリッジはRGB

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