A3GS: Arbitrary Artistic Style into Arbitrary 3D Gaussian Splatting¶

会议: ICCV 2025
arXiv: 无
代码: 未公开
领域: 3D视觉 / 风格迁移 / 3D Gaussian Splatting
关键词: 3D Stylization, Zero-Shot, Feed-Forward, GCN, AdaIN, 3DGS

一句话总结¶

提出A³GS，首个前馈式零样本3DGS风格迁移网络——使用图卷积网络(GCN)自编码器将3DGS场景编码到潜在空间，通过AdaIN注入任意风格图像特征，仅需10秒即可将任意风格迁移到任意3D场景，无需逐风格优化，可处理大规模3DGS场景。

背景与动机¶

3D场景风格化对元宇宙应用至关重要。现有方法分两类：(1) 基于优化的方法（如StyGS）：利用隐式表示+梯度优化做风格迁移，质量好但每种风格需独立优化（几十分钟），无法快速切换；(2) 2D风格化后提升到3D：多视角一致性差。缺乏一种能零样本、前馈式地将任意风格快速迁移到任意3DGS场景的方法。

核心问题¶

如何实现零样本（无需逐风格优化）的3DGS场景风格化，使得给定任意参考风格图像，能在秒级时间内将风格迁移到任意3D场景，同时保持内容结构和空间布局？

方法详解¶

整体框架¶

3DGS场景 → GCN编码器(聚合空间结构特征→潜在空间) → AdaIN(注入风格图像特征) → GCN解码器(输出风格化3DGS参数) → 风格化渲染

关键设计¶

GCN自编码器：3DGS场景是非规则的点集（无固定拓扑），用图卷积网络处理。编码器将3DGS的高斯属性（位置、颜色、不透明度等）通过邻接图汇聚为潜在特征；解码器将潜在特征恢复为风格化的高斯属性
AdaIN风格注入：在潜在空间中，对3DGS潜在特征做自适应实例归一化(AdaIN)——将内容特征的均值和方差替换为风格图像特征的统计量。这是2D风格迁移中经典方法的3D扩展
3DGS数据集构建：使用生成模型构造大规模3DGS-风格化配对数据集，提供训练监督
两阶段训练策略：分阶段训练GCN自编码器和风格注入模块

损失函数 / 训练策略¶

重建损失（保持内容结构）+ 风格损失（匹配风格统计量）
推理时前馈式，10秒/场景

实验关键数据¶

任意风格 → 任意3DGS场景的零样本迁移
10秒完成（vs 优化方法几十分钟）
可处理大规模3DGS场景（优化方法内存受限）
广泛实验证明高质量、一致性的3D风格化

亮点¶

首个前馈式3DGS风格迁移：不需要逐风格优化，10秒完成
GCN处理3DGS：巧妙地用图卷积处理3DGS的非规则点云结构
大规模场景可行：前馈设计避免了优化方法的内存瓶颈
零样本泛化：训练后可迁移任意未见风格

局限性 / 可改进方向¶

仅基于摘要信息判断，缺乏论文全文细节
未见与最新StyGS等方法的定量对比数据
基于AdaIN的风格注入可能丢失精细风格纹理
3DGS数据集构建的质量直接影响训练效果

与相关工作的对比¶

StyGS等优化方法：质量可能更好但需要逐风格优化（慢）。A³GS用前馈网络牺牲少量质量换取速度
2D AdaIN：A³GS是AdaIN在3DGS上的自然扩展，通过GCN处理3D结构
NeRF风格化方法：训练和推理都慢。A³GS继承了3DGS的效率优势

启发与关联¶

GCN处理3DGS的自编码器架构可推广到其他3DGS编辑任务
前馈式3D编辑是未来趋势——类似2D领域从优化范式到前馈编辑的演进

评分¶

新颖性: ⭐⭐⭐⭐ 首个前馈式零样本3DGS风格迁移，GCN+AdaIN的组合有创意
实验充分度: ⭐⭐⭐ 仅基于摘要，缺少全文定量数据
写作质量: ⭐⭐⭐ 摘要清晰，但无法评估全文
价值: ⭐⭐⭐⭐ 10秒风格化对元宇宙应用有直接实用价值