Scenes as Objects, Not Primitives: Instance-Structured 3D Tokenization from Unposed Views

Mijin Yoo, In Cho, Subin Jeon, Jiwoo Lee, Eunbyung Park, Seon Joo Kim

arXiv:2606.29513 · 2026-07-01 공개 · arXiv · PDF

novel-view-synthesis differentiable-rendering scene-editing object-centric instance-segmentation multi-view-images instance-structured open-vocabulary-retrieval

Abstract

A 3D scene is understood through its objects, not the primitives that compose them. Yet feed-forward reconstruction methods output dense, unstructured sets of points or Gaussians, leaving object-level structure to be recovered after the fact. We propose a feed-forward framework that decomposes a scene into instance-structured 3D token groups directly from unposed multi-view images -- compact object-centric units from which reconstruction, segmentation, and manipulation all follow. Each token group pairs an instance token capturing entity-level identity with anchor tokens that encode local geometry and appearance, which are decoded into a set of 3D Gaussians. This two-level factorization decouples object identity from local appearance, making object instances a native interface of the representation rather than a derived product. The token groups are learned through differentiable rendering with joint reconstruction and segmentation supervision, requiring no 3D annotations. Our feed-forward model surpasses per-scene optimization baselines in class-agnostic instance segmentation while remaining competitive in novel view synthesis. Beyond these metrics, the same token groups directly unlock instance-level scene editing -- removing, translating, or inserting objects by operating on their groups -- as well as efficient open-vocabulary 3D instance retrieval, where retrieval complexity scales with the number of instances rather than primitives.

한국어 요약

한 줄 요약

3D 장면을 객체 중심의 인스턴스 구조화된 토큰 그룹으로 재구성하는 프레임워크를 제안하여, 객체 수준의 편집 및 검색을 가능하게 한다.

핵심 기여도

핵심 아이디어

기존 3D 재구성 방법은 점군이나 가우시안과 같은 원시적 요소로 장면을 표현하여 객체 구조를 사후 처리해야 하는 한계가 있다. 본 연구는 객체 중심의 인스턴스 구조를 토큰 그룹 형태로 직접 학습하는 새로운 접근법을 제안한다. 각 토큰 그룹은 인스턴스 토큰(객체의 정체성)과 앵커 토큰(지역 기하와 외관)으로 구성되며, 이는 3D 가우시안으로 디코딩된다. 이 이중 구조화는 객체 정체성과 지역 외관을 분리하여, 객체 인스턴스를 표현의 기본 단위로 삼는다.

이러한 토큰 그룹은 미분 가능한 렌더링을 기반으로, 재구성과 분할을 결합한 손실 함수를 통해 학습되며, 3D 어노테이션 없이도 인스턴스 구조를 학습할 수 있다. 또한, 2D 기초 모델의 특징을 토큰 그룹에 압축하여, 객체 수준의 의미 표현을 유지하면서도 지역 세부 정보를 보존한다. 이는 객체 수준의 편집과 검색을 가능하게 하며, 기존 방식보다 더 직관적인 인터페이스를 제공한다.

기술적 접근법

주요 결과

의의 및 한계

본 연구는 3D 장면 표현을 객체 중심으로 재구성함으로써, 객체 수준의 추론과 편집을 가능하게 하는 새로운 인터페이스를 제시한다. 이는 3D 장면과 대규모 언어 모델 간의 연결, 로봇 세계 모델의 구축 등 다양한 응용 가능성을 열어준다.

하지만, 현재 모델은 주로 **실내 장면**에 초점을 맞추고 있으며, **대규모 외부 장면**으로 확장하는 데 어려움이 있다. 또한, 고정된 최대 그룹 수 (L=100)와 단일 공유 그룹 레벨 토큰의 제한성도 한계로 지적된다. **동적 장면** 처리 및 실시간 추론 기능 확장이 필요하다.

실용적 활용

본 연구는 로봇이 물체를 인식하고 조작하는 데 필요한 **객체 중심 세계 모델**의 구축에 기여할 수 있다. 또한, **3D 콘텐츠 생성** 및 **자연어 기반 장면 검색** 등 다양한 산업 분야에서 활용 가능하다.