論文の概要: PoseMaster: Generating 3D Characters in Arbitrary Poses from a Single Image

• arxiv url: http://arxiv.org/abs/2506.21076v1
• Date: Thu, 26 Jun 2025 08:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.017674
• Title: PoseMaster: Generating 3D Characters in Arbitrary Poses from a Single Image
• Title（参考訳）: PoseMaster: 1枚の画像から任意電位で3Dキャラクタを生成する
• Authors: Hongyu Yan, Kunming Luo, Weiyu Li, Yixun Liang, Shengming Li, Jingwei Huang, Chunchao Guo, Ping Tan,
• Abstract要約: エンドツーエンドで制御可能な3Dキャラクタ生成フレームワークであるPoseMasterを提案する。 具体的には、ポーズ変換と3Dキャラクタ生成をフローベースの3Dネイティブ生成フレームワークに統合する。 多条件制御の特異性を考慮すると、訓練中のポーズ条件と画像条件をランダムに空にして、ポーズ制御の有効性と一般化性を向上させる。
• 参考スコア（独自算出の注目度）: 37.332231168919705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D characters play a crucial role in our daily entertainment. To improve the efficiency of 3D character modeling, recent image-based methods use two separate models to achieve pose standardization and 3D reconstruction of the A-pose character. However, these methods are prone to generating distorted and degraded images in the pose standardization stage due to self-occlusion and viewpoints, which further affects the geometric quality of the subsequent reconstruction process. To tackle these problems, we propose PoseMaster, an end-to-end controllable 3D character generation framework. Specifically, we unify pose transformation and 3D character generation into a flow-based 3D native generation framework. To achieve accurate arbitrary-pose control, we propose to leverage the 3D body bones existing in the skeleton of an animatable character as the pose condition. Furthermore, considering the specificity of multi-condition control, we randomly empty the pose condition and the image condition during training to improve the effectiveness and generalizability of pose control. Finally, we create a high-quality pose-control dataset derived from realistic character animation data to make the model learning the implicit relationships between skeleton and skinning weights. Extensive experiments show that PoseMaster outperforms current state-of-the-art techniques in both qualitative and quantitative evaluations for A-pose character generation while demonstrating its powerful ability to achieve precise control for arbitrary poses.
• Abstract（参考訳）: 3Dキャラクターは、私たちの日常のエンターテイメントにおいて重要な役割を果たす。 3次元キャラクタモデリングの効率を向上させるため、最近の画像ベース手法では2つの異なるモデルを用いてポーズの標準化とA-poseキャラクタの3次元再構成を実現している。 しかし、これらの手法は、自己閉塞性や視点により、ポーズ標準化段階で歪みや劣化した画像を生成する傾向があり、その後の復元過程の幾何学的品質にさらに影響を及ぼす。 これらの問題に対処するために,エンドツーエンドで制御可能な3Dキャラクタ生成フレームワークであるPoseMasterを提案する。 具体的には、ポーズ変換と3Dキャラクタ生成をフローベースの3Dネイティブ生成フレームワークに統合する。 そこで本稿では, アニマタブルキャラクタの骨格に存在する3次元骨をポーズ条件として活用することを提案する。 さらに、多条件制御の特異性を考慮すると、訓練中のポーズ条件と画像条件をランダムに空にして、ポーズ制御の有効性と一般化性を向上させる。 最後に、現実的なキャラクターアニメーションデータから得られた高品質なポーズ制御データセットを作成し、骨格とスキンウェイトの間の暗黙の関係を学習する。 広汎な実験により,PoseMasterはA-pose文字生成の質的・定量的評価において現在の最先端技術よりも優れており,任意のポーズを正確に制御できる強力な能力を示している。

関連論文リスト

• Make-It-Animatable: An Efficient Framework for Authoring Animation-Ready 3D Characters [86.13319549186959]
  我々は3次元ヒューマノイドモデルを1秒未満でキャラクターアニメーションに対応させる新しいデータ駆動方式であるMake-It-Animatableを提案する。 我々のフレームワークは、高品質なブレンドウェイト、骨、ポーズトランスフォーメーションを生成します。 既存の手法と比較して,本手法は品質と速度の両方において著しく改善されている。
  論文  参考訳（メタデータ） (2024-11-27T10:18:06Z)
• CharacterGen: Efficient 3D Character Generation from Single Images with Multi-View Pose Canonicalization [27.55341255800119]
  本稿では,3Dキャラクタを効率的に生成するフレームワークである characterGen を提案する。 変換器ベースで一般化可能なスパースビュー再構成モデルが,我々のアプローチの他のコアコンポーネントである。 複数のポーズやビューでレンダリングされたアニメキャラクタのデータセットをキュレートして,モデルをトレーニングし,評価した。
  論文  参考訳（メタデータ） (2024-02-27T05:10:59Z)
• En3D: An Enhanced Generative Model for Sculpting 3D Humans from 2D Synthetic Data [36.51674664590734]
  本研究では,高品質な3次元アバターの小型化を図ったEn3Dを提案する。 従来の3Dデータセットの不足や、視角が不均衡な限られた2Dコレクションと異なり、本研究の目的は、ゼロショットで3D人間を作れる3Dの開発である。
  論文  参考訳（メタデータ） (2024-01-02T12:06:31Z)
• MPM: A Unified 2D-3D Human Pose Representation via Masked Pose Modeling [59.74064212110042]
  mpmcanは、3D人間のポーズ推定、クラッドされた2Dポーズからの3Dポーズ推定、3Dポーズ完了をtextocbsingleフレームワークで処理する。 MPI-INF-3DHPにおいて、広く使われているポーズデータセットの広範な実験とアブレーション研究を行い、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-06-29T10:30:00Z)
• Learning 3D-aware Image Synthesis with Unknown Pose Distribution [68.62476998646866]
  既存の3D画像合成法は、トレーニングセットに基づいて事前に推定された3Dポーズ分布に依存する。 本研究は3次元ポーズ先行条件から生成放射場を解放するPoF3Dを提案する。
  論文  参考訳（メタデータ） (2023-01-18T18:47:46Z)
• PoseTriplet: Co-evolving 3D Human Pose Estimation, Imitation, and Hallucination under Self-supervision [102.48681650013698]
  既存の自己監督型3次元ポーズ推定スキームは、学習を導くための弱い監督に大きく依存している。 そこで我々は,2D-3Dのポーズペアを明示的に生成し,監督を増強する,新しい自己監督手法を提案する。 これは、ポーズ推定器とポーズ幻覚器を併用して学習する強化学習ベースの模倣器を導入することで可能となる。
  論文  参考訳（メタデータ） (2022-03-29T14:45:53Z)
• Self-Supervised 3D Human Pose Estimation via Part Guided Novel Image Synthesis [72.34794624243281]
  ラベルのないビデオフレームからバリエーションを分離する自己教師付き学習フレームワークを提案する。 3Dポーズと空間部分マップの表現ギャップを埋める、微分可能な形式化により、多様なカメラの動きを持つビデオで操作できる。
  論文  参考訳（メタデータ） (2020-04-09T07:55:01Z)

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。