💻 computer science

Scene-Agnostic Object-Centric Representation Learning for 3D Gaussian Splatting

यह शोध पत्र 3D गॉसियन स्प्लेटिंग के लिए एक सीन-एग्नोस्टिक (दृश्य-निरपेक्ष), ऑब्जेक्ट-सेंट्रिक (वस्तु-केंद्रित) प्रतिनिधित्व शिक्षण ढांचे का प्रस्ताव करता है जो निरंतर, अनसुपरवाइज्ड (अsupervised) वस्तु पहचान और विभाजन को सक्षम करने के लिए एक प्री-ट्रेन्ड ग्लोबल ऑब्जेक्ट सेंट्रिक लर्निंग मॉड्यूल और एक सीन-एग्नोस्टिक ऑब्जेक्ट कोडबुक का उपयोग करता है, जिसमें प्रति-दृश्य फाइन-ट्यूनिंग या जटिल मास्क संरेखण की आवश्यकता नहीं होती है।

मूल लेखक: Tsuheng Hsu, Guiyu Liu, Juho Kannala, Janne Heikkilä

प्रकाशित 2026-04-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tsuheng Hsu, Guiyu Liu, Juho Kannala, Janne Heikkilä

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: रोबोट को "पिक्सेल" नहीं, बल्कि "चीजों" को देखना सिखाना

कल्पना कीजिए कि आप एक रोबोट को एक कमरा समझना सिखाने की कोशिश कर रहे हैं।

पुराना तरीका ("पिक्सेल पेंटर"): रोबोट कमरे को देखता है और उसे रंगों के लाखों छोटे बिंदु दिखाई देते हैं। वह जानता है कि "यह लाल बिंदु उस नीले बिंदु के बगल में है।" वह कमरे की एक बेहतरीन तस्वीर तो बना सकता है, लेकिन उसे यह नहीं पता कि वह लाल बिंदु एक कप का हिस्सा है और नीला बिंदु एक किताब का। यदि आप कप को हिलाते हैं, तो रोबोट को फिर से सीखना होगा कि कप कैसा दिखता है।
समस्या: वर्तमान AI उपकरण (जिन्हें विजन फाउंडेशन मॉडल कहा जाता है) फोटो में चीजों के चारों ओर रेखाएं खींचने में माहिर हैं। लेकिन अगर आप एक कप की फोटो बाईं ओर से लेते हैं, तो AI उसके चारों ओर एक रेखा खींचता है। अगर आप दाईं ओर से फोटो लेते हैं, तो वह एक अलग रेखा खींचता है। उसे यह समझ नहीं आता कि, "अरे, यह वही कप है!" वह हर कोण (angle) को एक नए, भ्रमित करने वाले पहेली की तरह मानता है।

यह पेपर एक नया तरीका पेश करता है जो रोबोट को "वस्तुओं" (जैसे कप, किताब, कुर्सी) को अलग और सुसंगत संस्थाओं के रूप में देखना सिखाता है, चाहे वे कहीं भी हों या कमरा कैसा भी हो।

मूल विचार: "यूनिवर्सल आईडी कार्ड" सिस्टम

लेखकों ने एक ऐसा सिस्टम प्रस्तावित किया है जो 3D Gaussian Splatting (फोटो से 3D दुनिया बनाने का एक सुपर-फास्ट, उच्च-गुणवत्ता वाला तरीका) पर आधारित है। यहाँ बताया गया है कि उनका नया सिस्टम एनालॉजी (उपमा) का उपयोग करके कैसे काम करता है:

1. "ग्लोबल लाइब्रेरी" (द कोडबुक)

एक विशाल लाइब्रेरी की कल्पना करें जिसमें ब्रह्मांड की हर प्रकार की वस्तु के लिए ID कार्ड हैं (एक "कप कार्ड," एक "किताब कार्ड," एक "कुर्सी कार्ड")।

पुराने तरीके: जब भी रोबोट किसी नए कमरे में जाता है, तो वह शून्य से अपने खुद के ID कार्ड बनाने की कोशिश करता है। वह कमरे A के कप को "ऑब्जेक्ट #1" कह सकता है और कमरे B के कप को "ऑब्जेक्ट #50" कह सकता है। वे आपस में संबंधित नहीं होते।
इस पेपर का तरीका: रोबोट के पास एक पहले से बनी ग्लोबल लाइब्रेरी तक पहुंच होती है। जब वह एक कप देखता है, तो वह नया ID नहीं बनाता; बल्कि वह लाइब्रेरी से मौजूदा "कप कार्ड" उठा लेता है। इसका मतलब है कि न्यूयॉर्क का एक कप तुरंत उसी प्रकार की वस्तु के रूप में पहचाना जाता है जैसा टोक्यो का एक कप है।

2. "स्मार्ट डिटेक्टिव" (GOLD मॉड्यूल)

इन वस्तुओं को खोजने के लिए, रोबोट एक "स्मार्ट डिटेक्टिव" (जिसे GOLD कहा जाता है) का उपयोग करता है।

केवल रंगों को देखने के बजाय (जो कि लाइटिंग बदलने के कारण मुश्किल हो सकता है), डिटेक्टिव वस्तु के सार (essence) को देखता है।
वह पूछता है: "क्या यह एक ऐसी चीज़ है जो एक साथ बनी रहती है और स्थिर रहती है?"
वह बैकग्राउंड के शोर को अनदेखा करता है और वस्तु की वास्तविक पहचान पर ध्यान केंद्रित करता है।

3. "मैजिक पेंट" (3D Gaussians)

3D दुनिया लाखों छोटे, चमकते हुए "पेंट स्प्लैट्स" (Gaussians) का उपयोग करके बनाई जाती है।

पुराने दिनों में, ये स्प्लैट्स केवल अपने रंग और स्थिति को जानते थे।
इस नए सिस्टम में, हर स्प्लेट एक नाम का टैग भी पहनता है जो ग्लोबल लाइब्रेरी से लिया गया है।
यदि कोई स्प्लेट एक कप का हिस्सा है, तो वह "कप ID" पहनेगा। यदि आप अजीब कोण से कप को देखते हैं, तो भी स्प्लेट्स को पता होता है कि वे "कप" के हिस्से हैं क्योंकि वे सभी एक ही ID कार्ड पकड़े हुए हैं।

यह इतनी बड़ी बात क्यों है? (सुपरपावर्स)

1. कोई "दोबारा सीखना" नहीं (सीन-एग्नोस्टिक)

एनालॉजी: ड्राइविंग सीखने की कल्पना करें। पुराने तरीकों के साथ, आपको बर्फबारी में कार चलाना सीखना पड़ता था, फिर रेगिस्तान में कार चलाना फिर से सीखना पड़ता था, फिर बारिश में फिर से सीखना पड़ता था।
यह पेपर: आप "ड्राइविंग" के नियम एक बार सीखते हैं। चाहे आप बर्फ, रेगिस्तान या बारिश में हों, आप कार को संभालना जानते हैं क्योंकि आप कार की अवधारणा (concept) को समझते हैं, न कि केवल विशिष्ट सड़क को।
परिणाम: AI एक ऐसे नए कमरे में जा सकता है जिसे उसने पहले कभी नहीं देखा है और तुरंत जान सकता है, "वह एक कुर्सी है," बिना दोबारा प्रशिक्षित हुए।

2. कोई "गड़बड़ आउटलाइन" नहीं (नो प्री-प्रोसेसिंग)

एनालॉजी: पुराने तरीके मैगजीन से बिल्ली की तस्वीर काटने के लिए कैंची का उपयोग करने जैसे थे, लेकिन कैंची बार-बार फिसल रही थी, और आपको छेद भरने के लिए गोंद और टेप (जटिल गणित) का उपयोग करना पड़ता था।
यह पेपर: यह एक जादुई स्कैनर की तरह है जो तुरंत जान जाता है कि बिल्ली कहाँ खत्म होती है और मेज कहाँ शुरू होती है, बिना कुछ काटे, चिपकाए या ठीक किए। वह बस जानता है।

3. "गायब वस्तु" की समस्या

परिदृश्य: कल्पना कीजिए कि एक रोबोट मेज की ओर देख रहा है। वहां एक कप है। फिर, कप को फ्रेम से बाहर हटा दिया जाता है, और एक नई किताब दिखाई देती है।
पुराना AI: रोबोट भ्रमित हो जाता है। "कप कहाँ गया? क्या किताब एक नया प्रकार का कप है? मुझे इंसान से मदद मांगनी चाहिए!"
यह AI: रोबोट ग्लोबल लाइब्रेरी को देखता है, "बुक कार्ड" देखता है, और कहता है, "आह, एक किताब। मैं जानता हूँ कि यह क्या है।" यह बिना मानवीय मदद के नई वस्तुओं की खोज अपने आप कर लेता है।

परिणाम: उन्होंने क्या साबित किया?

शोधकर्ताओं ने दो प्रकार के "कमरों" (डेटासेट्स) पर इसका परीक्षण किया:

वास्तविक दुनिया की तस्वीरें (OCTA): मेज पर रखी असली वस्तुएं।
कंप्यूटर-जनरेटेड दुनिया (GSO): जटिल लाइटिंग वाले सिंथेटिक दृश्य।

स्कोरबोर्ड:

सटीकता (Accuracy): उनका तरीका पिछले तरीकों की तुलना में पिक्सेल को सही वस्तुओं में समूहबद्ध करने (जैसे कप के सभी हिस्सों को एक साथ रखने) में बहुत बेहतर था।
निरंतरता (Consistency): यदि आप AI को दो अलग-अलग कमरों में एक ही वस्तु दिखाते, तो यह उसे एक ही ID देता। पुराने तरीकों ने अलग-अलग ID दिए।
गति (Speed): क्योंकि वे 3D Gaussian Splatting का उपयोग कर रहे हैं (जो एक सुपर-फास्ट वीडियो गेम इंजन की तरह है), यह सिस्टम 3D दुनिया को अविश्वसनीय रूप से तेजी से रेंडर करता है, जो पुराने, धीमे 3D AI तरीकों की तुलना में बहुत तेज है।

एक वाक्य में सारांश

यह पेपर 3D AI को दुनिया को रंगों के भ्रमित करने वाले ढेर के रूप में देखना बंद करने और इसे अलग-अलग, पहचानने योग्य वस्तुओं के संग्रह के रूप में देखना सिखाता है, जो अपनी पहचान बनाए रखते हैं, और यह सब बिना किसी मानवीय डेटा सफाई के होता है।

यहाँ शोध पत्र "Scene-Agnostic Object-Centric Representation Learning for 3D Gaussian Splatting" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

3D दृश्य समझ (3D scene understanding) के वर्तमान दृष्टिकोण, विशेष रूप से 3D Gaussian Splatting (3DGS) में इंस्टेंस-लेवल सेगमेंटेशन के लिए लक्षित दृष्टिकोण, 2D मास्क उत्पन्न करने के लिए SAM (Segment Anything Model) जैसे विजुअल फाउंडेशन मॉडल्स (VFMs) पर बहुत अधिक निर्भर करते हैं। इन मास्क को फिर ऑब्जेक्ट आइडेंटिटी फीचर्स को सीखने के लिए सुपरवाइज करने हेतु 3D में "लिफ्ट" किया जाता है। हालाँकि, यह प्रतिमान (paradigm) तीन महत्वपूर्ण सीमाओं से ग्रस्त है:

व्यू इनकंसिस्टेंसी (View Inconsistency): VFM-जनरेटेड मास्क अक्सर विभिन्न दृष्टिकोणों (viewpoints) में निरंतरता की कमी दर्शाते हैं। एक ही भौतिक वस्तु को अलग-अलग कोणों से अलग-अलग सेगमेंटेशन आईडी मिल सकती है, जिसके लिए उन्हें संरेखित करने हेतु जटिल प्री/पोस्ट-प्रोसेसिंग (जैसे, DEVA के साथ ट्रैकिंग) या विशेष कंट्रास्टिव लॉस की आवश्यकता होती है।
सीन-डिपेंडेंस (Scene-Dependence): सीखे गए ऑब्जेक्ट आइडेंटिटीज विशिष्ट दृश्य की उपस्थिति (appearance) से जुड़ी होती हैं। वे विभिन्न दृश्यों में सामान्यीकरण (generalize) नहीं कर पाती हैं, जो रोबोटिक इंटरेक्शन या क्रॉस-सीन ट्रांसफर जैसे अनुप्रयोगों को सीमित करता है।
सच्ची ऑब्जेक्ट-सेंट्रिसिटी का अभाव (Lack of True Object-Centricity): VFMs मनमाने क्षेत्रों के अपीयरेंस-ड्रिवन सेगमेंटेशन के लिए प्रशिक्षित होते हैं, न कि निरंतर वस्तुओं (persistent objects) के बारे में तर्क करने के लिए। इसके कारण एक ही भौतिक इकाई का ओवर-सेगमेंटेशन (सतह के संकेतों के आधार पर एक वस्तु को भागों में विभाजित करना) होता है और यह भौतिक इंटरेक्शन के लिए आवश्यक अंतर्निहित संरचना को पकड़ने में विफल रहता है।

Slot Attention (जैसे, NeRF में) पर आधारित मौजूदा अनसुपरवाइज्ड ऑब्जेक्ट-सेंट्रिक लर्निंग (OCL) विधियाँ स्लॉट परम्यूटेशन (विभिन्न दृश्यों में असंगत स्लॉट आईडी) और NeRF की इंप्लिसिट प्रकृति से जूझती हैं, जो डाउनस्ट्रीम अनुप्रयोगों में बाधा डालती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक पाइपलाइन प्रस्तावित करते हैं जो ग्लोबल ऑब्जेक्ट-सेंट्रिक लर्निंग (GOCL) फ्रेमवर्क का उपयोग करके 3DGS में सीधे अनसुपरवाइज्ड ऑब्जेक्ट-सेंट्रिक लर्निंग (OCL) को एकीकृत करती है। मुख्य नवाचार एक सीन-एग्नोस्टिक ऑब्जेक्ट कोडबुक (scene-agnostic object codebook) है जो वैश्विक स्तर पर ऑब्जेक्ट आइडेंटिटीज को एंकर करता है, जिससे प्रति-दृश्य फाइन-ट्यूनिंग या मास्क अलाइनमेंट की आवश्यकता समाप्त हो जाती है।

मुख्य घटक:

बैकबोन: GOLD (Global Object-centric Learning via Disentangled Slot Attention):
- लेखक पूर्व-प्रशिक्षित GOLD मॉड्यूल को अपनाते हैं, जो $C$ आंतरिक ऑब्जेक्ट फीचर्स वाला एक ग्लोबल कोडबुक ( $e_{glo}$ ) सीखता है।
- GOLD आंतरिक वस्तु गुणों (पहचान) को बाह्य कारकों (पोज़, लाइटिंग, सीन कॉन्टेक्स्ट) से अलग (disentangle) करता है।
- यह एक Gumbel-Softmax मैकेनिज्म के माध्यम से ग्लोबल प्रोटोटाइप्स को ऑब्जेक्ट स्लॉट्स असाइन करने के लिए डिसेन्टैंगल्ड स्लॉट अटेंशन (DSA) का उपयोग करता है, जिससे बिना किसी मैनुअल लेबल के विभिन्न दृश्यों और दृश्यों में सुसंगत पहचान सुनिश्चित होती है।
3DGS एकीकरण:
- Gaussian Identity Features: प्रत्येक 3D Gaussian को एक सीख योग्य आइडेंटिटी फीचर वेक्टर ( $f_i$ ) सौंपा जाता है जिसकी विमा (dimension) $D_{code}$ है।
- रेंडरिंग: कलर रेंडरिंग के समान, इन आइडेंटिटी फीचर्स को अल्फा-ब्लेंडिंग का उपयोग करके 2D इमेज प्लेन पर प्रोजेक्ट किया जाता है ताकि एक फीचर मैप $F_u$ प्राप्त हो सके।
सुपरविजन पाइपलाइन (Scene-Agnostic):
1. मास्क और प्रोबेबिलिटी जनरेशन: एक दिए गए व्यू के लिए, इनपुट इमेज को प्रशिक्षित GOLD मॉड्यूल के माध्यम से भेजा जाता है, जो $K$ ऑब्जेक्ट मास्क और एक प्रोबेबिलिटी मैट्रिक्स $\gamma$ आउटपुट करता है, जो यह दर्शाता है कि प्रत्येक मास्क के किसी विशिष्ट ग्लोबल कोडबुक एंट्री से संबंधित होने की संभावना कितनी है।
2. कोड असाइनमेंट: प्रत्येक मास्क के लिए, उच्चतम प्रोबेबिलिटी वाली कोडबुक एंट्री चुनी जाती है ( $c^*_k = \arg\max \gamma$ )। संबंधित ग्लोबल फीचर वेक्टर ( $f^*_k$ ) को उस मास्क को सौंपा जाता है।
3. डेंस सुपरविजन: चुने गए फीचर्स को मास्क रेजोल्यूशन पर ब्रॉडकास्ट किया जाता है और एक डेंस टारगेट फीचर मैप ( $F^*_u$ ) बनाने के लिए ब्लेंड किया जाता है।
4. लॉस फंक्शन: रेंडर किए गए Gaussian फीचर्स को MSE लॉस ( $L_{feature}$ ) का उपयोग करके सीधे इस टारगेट के विरुद्ध सुपरवाइज किया जाता है।
5. 3D रेगुलराइजेशन: यह सुनिश्चित करने के लिए कि स्थानिक रूप से पड़ोसी Gaussians समान क्लास प्रोबेबिलिटीज साझा करें, एक KL-डाइवर्जेंस लॉस ( $L_{3D}$ ) लागू किया जाता है, जो सुसंगत ऑब्जेक्ट ग्रुपिंग को बढ़ावा देता है।
इन्फरेंस (Inference): L2 डिस्टेंस के माध्यम से निकटतम कोडबुक फीचर को खोजकर पिक्सेल को ऑब्जेक्ट ID असाइन की जाती है, जिससे बिना री-ट्रेनिंग के तत्काल क्रॉस-सीन पहचान संभव होती है।

3. मुख्य योगदान (Key Contributions)

अनसुपरवाइज्ड OCL का 3DGS में प्रथम एकीकरण: यह शोध पत्र अनसुपरवाइज्ड ऑब्जेक्ट डिस्कवरी को स्पष्ट 3D Gaussian रिप्रेजेंटेशन के साथ सफलतापूर्वक जोड़ता है, जिससे पिछले प्रयासों में आम स्लॉट परम्यूटेशन समस्याओं को दूर किया गया है।
सीन-एग्नोस्टिक ऑब्जेक्ट कोडबुक: एक ग्लोबल कोडबुक पेश करता है जो विभिन्न दृश्यों और पूरी तरह से अलग दृश्यों में सुसंगत, आइडेंटिटी-एंकर की गई रिप्रेजेंटेशन प्रदान करता है। यह बिना री-ट्रेनिंग के क्रॉस-सीन पहचान को सक्षम बनाता है।
सरलीकृत सुपरविजन पाइपलाइन: यह विधि VFM-विशिष्ट मास्क प्री/पोस्ट-प्रोसेसिंग (जैसे, ट्रैकिंग, अलाइनमेंट) की आवश्यकता को समाप्त करती है और जटिल, एड-हॉक ट्रेनिंग रणनीतियों या अतिरिक्त कंट्रास्टिव लॉस टर्म्स से बचती है जो पिछले VFM-आधारित तरीकों के लिए आवश्यक थे।
ओवर-सेगमेंटेशन के प्रति मजबूती: सतह के अपीयरेंस के बजाय ऑब्जेक्ट-सेंट्रिक प्रायर (priors) पर भरोसा करके, यह विधि भौतिक वस्तुओं के अधिक अर्थपूर्ण सेमेंटिक डिकम्पोजिशन को उत्पन्न करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन दो डेटासेट्स पर किया गया: OCTA (रियल-वर्ल्ड टेबलटॉप सीन्स) और GSO (सिंथेटिक ऑब्जेक्ट्स)।

मात्रात्मक प्रदर्शन (Quantitative Performance):
- प्रस्तावित विधि ऑब्जेक्ट-सेंट्रिक लर्निंग (OCL) मेट्रिक्स (FG-ARI, FG-AMI, ARI-A, AMI-A) पर स्टेट-ऑफ-द-आर्ट VFM-आधारित विधियों (Gaussian Grouping, Unified Lift, ObjectGS) से काफी बेहतर प्रदर्शन करती है।
- OCTA डेटासेट पर, इसने 0.870 का FG-ARI (अगले सर्वश्रेष्ठ 0.700 के मुकाबले) और FG-AMI 0.868 प्राप्त किया।
- यह प्रतिस्पर्धी mIoU स्कोर बनाए रखती है, हालांकि ऑब्जेक्ट-लेवल कोहेरेंस (जिसे GOLD द्वारा पसंद किया जाता है) और शार्प बाउंड्री प्रिसिजन (जिसे SAM द्वारा पसंद किया जाता है) के बीच ट्रेड-ऑफ के कारण कुछ VFM विधियों से थोड़ी कम है।
क्रॉस-सीन जनरलाइजेशन (Cross-Scene Generalization):
- विज़ुअलाइज़ेशन दर्शाते हैं कि ग्लोबल कोडबुक का उपयोग करके अलग-अलग दृश्यों में एक ही वस्तु को समान ID दी जाती है। इसके विपरीत, VFM-आधारित विधियाँ विभिन्न दृश्यों में एक ही वस्तु को अलग-अलग ID देती हैं।
- यह विधि बिना मैनुअल री-प्रॉम्प्टिंग के एक दृश्य में नए दिखने वाले ऑब्जेक्ट्स को खोजने और पहचानने में सक्षम है, एक ऐसी क्षमता जहाँ मेमोरी-आधारित ट्रैकिंग (जैसे SAM2+DEVA) विफल हो जाती है।
NeRF-आधारित OCL (uOCF) के साथ तुलना:
- प्रस्तावित 3DGS दृष्टिकोण uOCF (एक NeRF-आधारित OCL विधि) की तुलना में बेहतर रिकंस्ट्रक्शन क्वालिटी (उच्च PSNR/SSIM) और काफी तेज़ रेंडरिंग स्पीड (~106 FPS बनाम ~6 FPS) प्राप्त करता है।
- महत्वपूर्ण रूप से, 3DGS रिकंस्ट्रक्शन बरकरार रहता है भले ही ऑब्जेक्ट डिस्कवरी अपूर्ण हो, जबकि NeRF-आधारित विधियाँ अक्सर गायब ज्योमेट्री से जूझती हैं यदि ऑब्जेक्ट्स की खोज नहीं की जाती है।

5. महत्व (Significance)

यह कार्य अपीयरेंस-ड्रिवन, सीन-स्पेसिफिक सुपरविजन से हटकर इंट्रिंसिक, सीन-एग्नोस्टिक ऑब्जेक्ट रिप्रेजेंटेशन की ओर बढ़कर 3D दृश्य समझ में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है।

रोबोटिक्स और एम्बोडीड AI के लिए: विभिन्न वातावरणों में सुसंगत, सीखे गए आइडेंटिटीज के आधार पर वस्तुओं को पहचानना और उनके साथ इंटरैक्ट करने की क्षमता वास्तविक दुनिया की रोबोटिक्स में सामान्यीकरण के लिए महत्वपूर्ण है।
दक्षता (Efficiency): 3DGS का लाभ उठाकर, यह विधि रीयल-टाइम रेंडरिंग क्षमताएं प्रदान करती है, जो इसे इंटरैक्टिव अनुप्रयोगों के लिए व्यवहार्य बनाती है।
स्केलेबिलिटी (Scalability): जटिल मास्क अलाइनमेंट पाइपलाइनों को हटाने से इंजीनियरिंग ओवरहेड कम होता है, जिससे यह दृष्टिकोण विविध परिदृश्यों में अधिक मजबूत और तैनात करने में आसान बनता है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि ग्लोबल कोडबुक के प्रशिक्षण के लिए डेटासेट उपलब्धता और कंप्यूटेशनल लागत के संबंध में कुछ सीमाएँ मौजूद हैं, प्रस्तावित फ्रेमवर्क यूनिवर्सल, ऑब्जेक्ट-सेंट्रिक 3D सीन रिप्रेजेंटेशन के लिए एक मजबूत आधार स्थापित करता है।