論文の概要: ShapeShifter: 3D Variations Using Multiscale and Sparse Point-Voxel Diffusion

• arxiv url: http://arxiv.org/abs/2502.02187v1
• Date: Tue, 04 Feb 2025 10:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:03:19.727933
• Title: ShapeShifter: 3D Variations Using Multiscale and Sparse Point-Voxel Diffusion
• Title（参考訳）: ShapeShifter:マルチスケールおよびスパースポイント-ボクセル拡散を用いた3次元変動
• Authors: Nissim Maruani, Wang Yifan, Matthew Fisher, Pierre Alliez, Mathieu Desbrun,
• Abstract要約: 本稿では,単一参照モデルに基づいて形状変化を合成する新しい3次元生成モデルであるShapeShifterを提案する。 その結果, 従来のSDF法よりも, 入力の細部をより正確に把握し, より汎用的な表面形状を処理できることが示唆された。
• 参考スコア（独自算出の注目度）: 19.30740914413954
• License:
• Abstract: This paper proposes ShapeShifter, a new 3D generative model that learns to synthesize shape variations based on a single reference model. While generative methods for 3D objects have recently attracted much attention, current techniques often lack geometric details and/or require long training times and large resources. Our approach remedies these issues by combining sparse voxel grids and point, normal, and color sampling within a multiscale neural architecture that can be trained efficiently and in parallel. We show that our resulting variations better capture the fine details of their original input and can handle more general types of surfaces than previous SDF-based methods. Moreover, we offer interactive generation of 3D shape variants, allowing more human control in the design loop if needed.
• Abstract（参考訳）: 本稿では,単一参照モデルに基づいて形状変化を合成する新しい3次元生成モデルであるShapeShifterを提案する。 3Dオブジェクトの生成手法は近年注目されているが、現在の手法は幾何学的詳細を欠いていることが多く、長いトレーニング時間と膨大なリソースを必要とする。 提案手法は, 分散ボクセル格子と点, 正常, カラーサンプリングを, 効率的に並列にトレーニング可能なマルチスケールニューラルアーキテクチャに組み合わせることで, これらの問題を修復する。 その結果, 従来のSDF法よりも, 入力の細部をより正確に把握し, より汎用的な表面形状を処理できることが示唆された。 さらに,3次元形状のインタラクティブな生成も提供し,必要であれば設計ループにおいてより人間的な制御が可能となる。

関連論文リスト

• DetailGen3D: Generative 3D Geometry Enhancement via Data-Dependent Flow [44.72037991063735]
  DetailGen3Dは、生成された3D形状を強化するために特別に設計されたジェネレーティブなアプローチである。 我々の重要な洞察は、潜在空間におけるデータ依存フローを通して、粗大から細小への変換を直接モデル化することである。 改質時に正確な空間対応を確保するためのトークンマッチング戦略を導入する。
  論文  参考訳（メタデータ） (2024-11-25T17:08:17Z)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• CraftsMan: High-fidelity Mesh Generation with 3D Native Generation and Interactive Geometry Refiner [34.78919665494048]
  CraftsManは、非常に多様な形状、通常のメッシュトポロジ、詳細な表面を持つ高忠実な3Dジオメトリを生成することができる。 本手法は,従来の方法に比べて高品質な3Dアセットの製作に有効である。
  論文  参考訳（メタデータ） (2024-05-23T18:30:12Z)
• Sculpt3D: Multi-View Consistent Text-to-3D Generation with Sparse 3D Prior [57.986512832738704]
  本稿では,2次元拡散モデルを再学習することなく,抽出した参照オブジェクトから3次元先行を明示的に注入する,電流パイプラインを備えた新しいフレームワークSculpt3Dを提案する。 具体的には、スパース線サンプリングによるキーポイントの監督により、高品質で多様な3次元形状を保証できることを実証する。 これら2つの分離された設計は、参照オブジェクトからの3D情報を利用して、2D拡散モデルの生成品質を保ちながら、3Dオブジェクトを生成する。
  論文  参考訳（メタデータ） (2024-03-14T07:39:59Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• 3DQD: Generalized Deep 3D Shape Prior via Part-Discretized Diffusion Process [32.3773514247982]
  複数の3次元タスクに適した,一般化された3次元形状生成モデルを開発した。 設計は、提案した3次元形状先行モデルに高忠実度、多彩な特徴と、相互モダリティアライメントの能力を併用する。
  論文  参考訳（メタデータ） (2023-03-18T12:50:29Z)
• Learning to Generate 3D Shapes from a Single Example [28.707149807472685]
  本稿では,入力形状の幾何学的特徴を空間的範囲にわたって捉えるために,マルチスケールのGANモデルを提案する。 我々は、外部の監督や手動のアノテーションを必要とせずに、基準形状のボクセルピラミッドで生成モデルを訓練する。 結果の形状は異なるスケールで変化を示し、同時に基準形状のグローバルな構造を保持する。
  論文  参考訳（メタデータ） (2022-08-05T01:05:32Z)
• Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
  カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。 我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。 我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-21T03:42:31Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)

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。