2025_NIPS_FlexWorld: Progressively Expanding 3D Scenes for Flexible-View Exploration

一、文章主要内容总结

本文提出了FlexWorld框架，旨在从单张图像生成支持灵活视角（包括360°旋转和缩放）的3D场景。核心挑战在于单张2D图像缺乏完整3D结构信息，尤其在极端视角转换时易出现遮挡或缺失内容。FlexWorld通过以下关键流程实现目标：

1. 核心表征：采用3D高斯溅射（3D Gaussian Splatting, 3DGS）作为持续的3D场景表征，确保几何一致性和渲染效率。
2. 新颖视角合成：基于先进视频基础模型CogVideoX-5B-I2V微调视频到视频（V2V）扩散模型，在大规模相机视角变化下生成高质量、几何一致的新颖视角视频。
3. 渐进式场景扩展：通过“新颖视角合成→几何感知场景融合→场景优化”的迭代流程，逐步扩展3D场景的可视范围，同时维持多视角一致性。
4. 场景外推能力：支持对现有3D场景（如DL3DV数据集重建结果）进行外推，补全孔洞或模糊区域，扩展为360°可探索场景。

实验验证显示，FlexWorld在RealEstate10K、Tanks-and-Temples等数据集上，在FID、PSNR、3D一致性等指标上优于MotionCtrl、ViewCrafter等现有方法，能生成高保真、视角灵活的3D场景。

二、文章创新点

1. 渐进式持续表征框架：首次采用持续的3DGS表征，通过迭代融合生成的新颖视角内容