論文の概要: AGG: Amortized Generative 3D Gaussians for Single Image to 3D

• arxiv url: http://arxiv.org/abs/2401.04099v1
• Date: Mon, 8 Jan 2024 18:56:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 13:56:33.720037
• Title: AGG: Amortized Generative 3D Gaussians for Single Image to 3D
• Title（参考訳）: AGG:1枚の画像から3Dに再生可能な3Dガウシアン
• Authors: Dejia Xu, Ye Yuan, Morteza Mardani, Sifei Liu, Jiaming Song, Zhangyang Wang, Arash Vahdat
• Abstract要約: Amortized Generative 3D Gaussian framework (AGG) を導入する。 AGGは、共同最適化のための3Dガウス位置およびその他の外観特性の生成を分解する。 本稿では,まず3次元データの粗い表現を生成し,後に3次元ガウス超解像モジュールでアップサンプリングするカスケードパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 108.38567665695027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the growing need for automatic 3D content creation pipelines, various 3D representations have been studied to generate 3D objects from a single image. Due to its superior rendering efficiency, 3D Gaussian splatting-based models have recently excelled in both 3D reconstruction and generation. 3D Gaussian splatting approaches for image to 3D generation are often optimization-based, requiring many computationally expensive score-distillation steps. To overcome these challenges, we introduce an Amortized Generative 3D Gaussian framework (AGG) that instantly produces 3D Gaussians from a single image, eliminating the need for per-instance optimization. Utilizing an intermediate hybrid representation, AGG decomposes the generation of 3D Gaussian locations and other appearance attributes for joint optimization. Moreover, we propose a cascaded pipeline that first generates a coarse representation of the 3D data and later upsamples it with a 3D Gaussian super-resolution module. Our method is evaluated against existing optimization-based 3D Gaussian frameworks and sampling-based pipelines utilizing other 3D representations, where AGG showcases competitive generation abilities both qualitatively and quantitatively while being several orders of magnitude faster. Project page: https://ir1d.github.io/AGG/
• Abstract（参考訳）: 自動3Dコンテンツ作成パイプラインの必要性が高まっているため、単一の画像から3Dオブジェクトを生成するために様々な3D表現が研究されている。 レンダリング効率が優れているため、3Dガウススプラッティングベースのモデルは3D再構成と生成の両方に優れている。 画像から3D生成への3Dガウス的スプレイティングアプローチは、しばしば最適化ベースであり、多くの計算コストのかかるスコア蒸留ステップを必要とする。 これらの課題を克服するために、単一画像から即座に3Dガウスを生成できるAmortized Generative 3D Gaussian framework (AGG)を導入し、インスタンスごとの最適化の必要性を排除した。 中間ハイブリッド表現を用いて、AGGは共同最適化のための3次元ガウス位置および他の外観属性の生成を分解する。 さらに,まず3次元データの粗い表現を生成し,後にそれを3次元ガウス超解像モジュールでアップサンプリングするカスケードパイプラインを提案する。 提案手法は,既存の最適化に基づく3次元ガウシアンフレームワークやサンプリングに基づくパイプラインに対して,他の3次元表現を用いて評価し,AGGは数桁高速かつ定性的かつ定量的に競合生成能力を示す。 プロジェクトページ: https://ir1d.github.io/AGG/

関連論文リスト

• 3D-GSW: 3D Gaussian Splatting Watermark for Protecting Copyrights in Radiance Fields [5.52538716292462]
  本稿では3次元ガウススプラッティングのための新しい透かし法を提案する。 提案手法は,事前学習した3次元ガウススプラッティングモデルを微調整することにより,バイナリメッセージを3次元ガウスに埋め込む。 実験の結果,本手法は3次元ガウシアンに透かしを埋め込むことができ,攻撃に対するキャパシティとロバスト性を高めることができることがわかった。
  論文  参考訳（メタデータ） (2024-09-20T05:16:06Z)
• GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
  単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。 モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。 最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
  論文  参考訳（メタデータ） (2024-07-05T03:43:08Z)
• GGHead: Fast and Generalizable 3D Gaussian Heads [48.967905053963385]
  3D GANは、比較的遅い列車とレンダリング速度のために、高解像度でサンプルを生成するのに苦労しています。 本稿では、3次元GANフレームワーク内での最近の3次元ガウススプラッティング表現を取り入れた生成ガウスヘッド(GGHead)を提案する。 高品質な3Dコンセントヘッドのリアルタイム生成とレンダリングを初めて10242ドルで実証した。
  論文  参考訳（メタデータ） (2024-06-13T17:54:38Z)
• Adversarial Generation of Hierarchical Gaussians for 3D Generative Model [20.833116566243408]
  本稿では,Gaussianを3D GANの3次元表現として利用し,その効率的かつ明示的な特徴を活用する。 生成したガウスの位置とスケールを効果的に正規化する階層的多スケールガウス表現を持つジェネレータアーキテクチャを導入する。 実験結果から,最先端の3D一貫したGANと比較して,レンダリング速度(x100)が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-06-05T05:52:20Z)
• SuperGaussian: Repurposing Video Models for 3D Super Resolution [67.19266415499139]
  本稿では,幾何学的および外観的詳細を付加することにより,粗い3次元モデルをアップサンプルする,単純でモジュラーで汎用的な手法を提案する。 既存の3次元超解像モデルを直接再利用できることを実証する。
  論文  参考訳（メタデータ） (2024-06-02T03:44:50Z)
• GVGEN: Text-to-3D Generation with Volumetric Representation [89.55687129165256]
  3Dガウススプラッティングは、高速で高品質なレンダリング機能で知られる3D再構成と生成のための強力な技術として登場した。 本稿では,テキスト入力から3次元ガウス表現を効率的に生成する新しい拡散型フレームワークGVGENを提案する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:52Z)
• Hyper-3DG: Text-to-3D Gaussian Generation via Hypergraph [20.488040789522604]
  本稿では,ハイパーグラフ(Hyper-3DG)を用いた3次元ガウス生成法を提案する。 本フレームワークは, 凝集度を最適化し, 劣化を効果的に回避し, 微細に生成した3Dオブジェクトの創出を可能にする。
  論文  参考訳（メタデータ） (2024-03-14T09:59:55Z)
• GaussianDreamer: Fast Generation from Text to 3D Gaussians by Bridging 2D and 3D Diffusion Models [102.22388340738536]
  2Dおよび3D拡散モデルは、プロンプトに基づいて適切な3Dオブジェクトを生成することができる。 3次元拡散モデルには優れた3次元整合性があるが、トレーニング可能な3次元データは高価で入手が難しいため、その品質と一般化は制限されている。 本稿では,2種類の拡散モデルから近年の明示的かつ効率的な3次元ガウススプラッティング表現を通じて電力を橋渡ししようとする。
  論文  参考訳（メタデータ） (2023-10-12T17:22:24Z)
• Text-to-3D using Gaussian Splatting [18.163413810199234]
  本稿では,最新の最先端表現であるガウススプラッティングをテキストから3D生成に適用する新しい手法であるGSGENを提案する。 GSGENは、高品質な3Dオブジェクトを生成し、ガウススティングの明示的な性質を活用することで既存の欠点に対処することを目的としている。 我々の手法は繊細な細部と正確な形状で3Dアセットを生成することができる。
  論文  参考訳（メタデータ） (2023-09-28T16:44:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。