# HARMONY: Hệ thống suy luận đa tầng tái tạo cảnh 3D từ ảnh đơn

- Nguồn: Hugging Face Daily Papers
- Thời gian phát hành: 2026-09-23 07:00 (giờ Việt Nam)
- Điểm AI: 85/100
- Link AIHOT.vn: https://aihot.vn/items/40a30cfb3afa2ce0
- Link gốc: https://arxiv.org/abs/2609.26793

## Tóm tắt AI

HARMONY kết hợp suy luận tác tử (agentic reasoning) và mô hình hình học thị giác để tái tạo cảnh 3D từ một ảnh đơn, giải quyết bài toán về mối quan hệ không gian và độ trung thực của vật thể.

## Thân bài

[Xem PDF](https://arxiv.org/pdf/2609.26793) [HTML (thử nghiệm)](https://arxiv.org/html/2609.26793v1)

> Tóm tắt: Việc tái tạo cảnh 3D có tính thành phần gần đây đã được khám phá theo hai hướng: suy luận tác nhân (agentic reasoning) cung cấp sự hiểu biết ngữ nghĩa về các mối quan hệ không gian nhưng thiếu sự căn chỉnh chính xác với hình ảnh đầu vào; và các mô hình nền tảng hình học thị giác (visual geometry foundation models) dự đoán các bản đồ điểm dày đặc từ hình ảnh đầu vào nhưng chất lượng tái tạo còn hạn chế. Do đó, việc khôi phục một cảnh 3D hoàn chỉnh từ một hình ảnh đơn lẻ với các mối quan hệ giữa các vật thể chính xác và chất lượng tái tạo độ trung thực cao vẫn là một thách thức. Trong bài báo này, chúng tôi giới thiệu HARMONY, một khung chuỗi suy nghĩ phân cấp (hierarchical chain-of-thought) tận dụng cả suy luận tác nhân và nền tảng hình học thị giác. Với một hình ảnh cảnh trong nhà, bắt đầu từ một sơ đồ mặt bằng 3D trống, HARMONY trước tiên hiệu chỉnh camera so với hình ảnh tham chiếu để thiết lập một khung không gian có căn cứ ngữ nghĩa, sau đó sử dụng suy luận VLM tác nhân để khôi phục bố cục phòng 3D và thứ tự đặt vật thể ban đầu. Sau đó, nó đặt các vật thể theo thứ tự phân cấp, từ các yếu tố gắn tường, đồ nội thất đứng độc lập, đến các vật trang trí phụ thuộc trên bề mặt đồ nội thất. Chúng tôi cũng sử dụng duyệt theo chiều sâu (depth-first traversal) cho đồ nội thất để mỗi vị trí đặt đều dựa trên cấu trúc đã giải quyết trước đó và một vòng lặp phản hồi phản chiếu để tránh tích lũy lỗi. Sau mỗi lần đặt vật thể bởi VLM, chúng tôi sử dụng các ước tính đám mây điểm để thực hiện tinh chỉnh dựa trên hình học sao cho hình ảnh được kết xuất căn chỉnh tốt hơn với đầu vào. HARMONY có thể tạo ra các cảnh 3D nhất quán về mặt ngữ nghĩa và căn chỉnh về mặt nhận thức với hình ảnh tham chiếu, mở rộng khả năng tái tạo thành phần từ ảnh đơn sang các hình ảnh cảnh trong nhà phức tạp. Các thí nghiệm trên hình ảnh tổng hợp và thực tế chứng minh rằng HARMONY vượt trội hơn các mô hình cơ sở tái tạo được đánh giá, trong khi các so sánh định tính với GPT-6 Astra cho thấy sự sắp xếp vật thể trung thực hơn và bảo toàn chi tiết cảnh tốt hơn.

| Bình luận: | Trang dự án: this http URL |
| --- | --- |
| Chủ đề: | Thị giác máy tính và Nhận dạng mẫu (cs.CV) |
| Trích dẫn là: | arXiv:2609.26793 [cs.CV] |
|  | (hoặc arXiv:2609.26793v1 [cs.CV] cho phiên bản này) |
|  | https://doi.org/10.48550/arXiv.2609.26793 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |

### Lịch sử gửi bài

Từ: Chen Wang [xem email](https://arxiv.org/show-email/c6892cbd/2609.26793)] [v1] Thứ Ba, 22 tháng 9 năm 2026 17:59:47 UTC (42.723 KB)