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
Sản xuất video và tái tạo 3D truyền dẫn thường sử dụng các đại diện riêng biệt, đòi hỏi giải mã RGB và tái mã hóa hình ảnh để phục hồi hình học từ các latent được tạo ra. Chúng tôi đề xuất Latent Bridge, kết nối các không gian ẩn tạo video với các không gian tính năng hình học để dự đoán trực tiếp hình học 3D từ các latent video. Chúng tôi phát triển các cầu đại diện cụ thể cho Wan2.1 và V-RAE, cho phép dự đoán truyền dẫn của máy ảnh, độ sâu và đám mây điểm 3D mà không có con đường RGB trung gian. Mỗi cầu được đào tạo về video RGB thông qua chưng cất tính năng, trong khi mã hóa video
Machine translation (Meta M2M100); the English original follows.
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
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28521, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange