RoGe: Novel View Synthesis via End-to-End Implicit Reconstruction and Generation
RoGe 提出了一种端到端统一的重建与生成框架，旨在利用稀疏输入视图合成具有时间一致性的漫游视频。该方法通过前馈重建模型从少量已定位图像构建隐式场景表示，并利用目标相机射线查询以获取每帧几何特征，随后将这些特征作为条件注入视频扩散模型进行生成，全程无需 3D 中间表示。RoGe 在 DL3DV 数据集上的实验表明，其在图像级指标和视频级时间一致性方面均优于基于重建、基于生成及混合基线方法；消融研究证实，射线查询的隐式特征表现优于原始重建 token 或渲染 RGB 作为条件，且联合训练带来了进一步增益。