待验证50% 置信事实精确时间
论文在ACID等数据集上进行了实验，结果显示CoTL的紧凑、非结构化的Token集合不仅支持具有竞争力的新视角合成效果，还可以作为生成模型的潜在空间用于3D高斯场景生成。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证CoTL（Compact Token Learning）提出用一小组紧凑的潜在Token来保留场景的几何与外观信息，让表示能力随观测数量的增加而自然扩展。73% 相似待验证让模型自由生成坐标和样式容易出现元素重叠、连线错位等问题，通常需要提供画布规范和布局约定并借助中间层做坐标校正70% 相似待验证草图转仿真要求模型同时具备图像理解、空间推理和物理建模三种能力的协同68% 相似待验证3D CT体数据处理的主流应对策略包括按比例降采样、分块处理后聚合特征、以及借助3D卷积网络先提取空间表征再接入语言模型68% 相似待验证原生3D扩散方法几何保真度和跨视角一致性更优，但瓶颈在于大规模3D场景数据集稀缺68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1024097API
curl https://kongchang.com/api/v1/knowledge/claims/1024097MCP
get_claim(id=1024097)