論文の概要: VividDreamer: Invariant Score Distillation For Hyper-Realistic Text-to-3D Generation

• arxiv url: http://arxiv.org/abs/2407.09822v2
• Date: Wed, 17 Jul 2024 09:28:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 11:56:44.644740
• Title: VividDreamer: Invariant Score Distillation For Hyper-Realistic Text-to-3D Generation
• Title（参考訳）: VividDreamer:超現実的なテキストから3D生成のための不変スコア蒸留
• Authors: Wenjie Zhuo, Fan Ma, Hehe Fan, Yi Yang,
• Abstract要約: Invariant Score Distillation (ISD) を提案する。 ISDは、スコア蒸留サンプリング(SDS)における過飽和および過平滑化問題に対処することを目的としている。
• 参考スコア（独自算出の注目度）: 33.05759961083337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents Invariant Score Distillation (ISD), a novel method for high-fidelity text-to-3D generation. ISD aims to tackle the over-saturation and over-smoothing problems in Score Distillation Sampling (SDS). In this paper, SDS is decoupled into a weighted sum of two components: the reconstruction term and the classifier-free guidance term. We experimentally found that over-saturation stems from the large classifier-free guidance scale and over-smoothing comes from the reconstruction term. To overcome these problems, ISD utilizes an invariant score term derived from DDIM sampling to replace the reconstruction term in SDS. This operation allows the utilization of a medium classifier-free guidance scale and mitigates the reconstruction-related errors, thus preventing the over-smoothing and over-saturation of results. Extensive experiments demonstrate that our method greatly enhances SDS and produces realistic 3D objects through single-stage optimization.
• Abstract（参考訳）: Invariant Score Distillation (ISD) を提案する。 ISDは、スコア蒸留サンプリング(SDS)における過飽和と過平滑化の問題に対処することを目的としている。 本稿では,SDSを再構成項と分類器フリーガイダンス項の重み付き和に分解する。 過飽和は大規模な分類器のない指導尺度から生じるものであり,過飽和は再建用語から生じるものである。 これらの問題を解決するため、IDSはDDIMサンプリングから派生した不変スコア項を用いてSDSの再構成項を置き換える。 この操作は、中級分類器フリーガイダンス尺度の利用を可能にし、再構成関連エラーを軽減し、過度なスムース化と過飽和化を防止する。 大規模な実験により,本手法はSDSを大幅に向上し,一段最適化により現実的な3Dオブジェクトを生成することが示された。

関連論文リスト

• ExactDreamer: High-Fidelity Text-to-3D Content Creation via Exact Score Matching [10.362259643427526]
  現在のアプローチは、しばしば3次元合成のために事前訓練された2次元拡散モデルを適用する。 過剰な平滑化は、3Dモデルの高忠実度生成に重大な制限をもたらす。 LucidDreamer は SDS における Denoising Diffusion Probabilistic Model (DDPM) を Denoising Diffusion Implicit Model (DDIM) に置き換える
  論文  参考訳（メタデータ） (2024-05-24T20:19:45Z)
• Score Distillation via Reparametrized DDIM [14.754513907729878]
  スコア蒸留サンプリングで用いられる画像誘導は, 2次元デノベーション生成過程の速度場として理解できることを示す。 本研究では,SDS更新ステップ毎にDDIMを反転させることにより,より優れたノイズ近似を復元可能であることを示す。 本手法は、他の最先端のスコア蒸留法と比較して、より良く、あるいは類似した3D生成品質を実現する。
  論文  参考訳（メタデータ） (2024-05-24T19:22:09Z)
• Flow Score Distillation for Diverse Text-to-3D Generation [23.38418695449777]
  フロースコア蒸留(FSD)は品質を損なうことなく生成の多様性を大幅に向上させる。 各種テキスト・画像拡散モデルを用いた検証実験により、FSDは品質を損なうことなく、生成の多様性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-05-16T06:05:16Z)
• A Quantitative Evaluation of Score Distillation Sampling Based Text-to-3D [54.78611187426158]
  本研究では,SDS手法の故障事例を定量的に分析し,人間の評価によって相互に検証する,より客観的な定量的評価指標を提案する。 計算効率の良い新しいベースラインモデルを設計することで,この解析の有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T00:54:09Z)
• SteinDreamer: Variance Reduction for Text-to-3D Score Distillation via Stein Identity [70.32101198891465]
  スコア蒸留における勾配推定は, 分散度が高いことが示唆された。 本稿では,Stin Score Distillation (SSD) と呼ばれる,スコア蒸留の分散を低減するための,より一般的な解を提案する。 我々はSteinDreamerがより安定した勾配更新により既存の方法よりも高速に収束できることを実証した。
  論文  参考訳（メタデータ） (2023-12-31T23:04:25Z)
• Taming Mode Collapse in Score Distillation for Text-to-3D Generation [70.32101198891465]
  Janus"アーティファクトはテキストから3D生成における問題であり、生成されたオブジェクトは複数のフロントフェイスで各ビューを偽装する。 エントロピースコア蒸留(Entropic Score Distillation, ESD)と呼ばれる新しい3Dスコア蒸留法を提案する。 恥ずかしいほど単純ではないが,我々はESDがJanusアーティファクトのスコア蒸留に有効であることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-12-31T22:47:06Z)
• Stable Score Distillation for High-Quality 3D Generation [21.28421571320286]
  SDS(Score Distillation Sampling)を,モード探索,モード分割,分散還元という3つの機能成分の組み合わせとして分解する。 両項の内在的欠失から, 過度なスムーズ性や不愉快性などの問題が生じることを示した。 本稿では,高品位な3次元生成のための各用語を戦略的にオーケストレーションする,SSD (Stable Score Distillation) というシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-14T19:18:38Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Adversarial Score Distillation: When score distillation meets GAN [3.5825440071527375]
  既存のスコア蒸留をWGAN(Wasserstein Generative Adversarial Network)パラダイムで解読する。 WGANのパラダイムでは、既存のスコア蒸留は固定された準最適判別器を使うか、不完全判別器の最適化を行うかのいずれかである。 本稿では、最適な判別器を維持し、完全な最適化目標を用いて更新するASD(Adversarial Score Distillation)を提案する。
  論文  参考訳（メタデータ） (2023-12-01T17:20:47Z)
• Text-to-3D with Classifier Score Distillation [80.14832887529259]
  クラシファイアフリーガイダンスは最も必須ではなく、補助的なトリックだと考えられている。 我々はこの手法をスコア蒸留 (CSD) と名付け, 生成のための暗黙の分類モデルを用いて解釈できる。 我々は,形状生成,テクスチャ合成,形状編集など,テキストから3Dまでの各種タスクにおけるCSDの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-30T10:25:40Z)
• Noise-Free Score Distillation [78.79226724549456]
  ノイズフリースコア蒸留(NFSD)プロセスは、オリジナルのSDSフレームワークに最小限の変更を必要とする。 我々は,CFG尺度を用いて,事前学習したテキスト・画像拡散モデルのより効果的な蒸留を行う。
  論文  参考訳（メタデータ） (2023-10-26T17:12:26Z)

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。