論文の概要: MoCA: Mixture-of-Components Attention for Scalable Compositional 3D Generation
- arxiv url: http://arxiv.org/abs/2512.07628v1
- Date: Mon, 08 Dec 2025 15:17:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.942686
- Title: MoCA: Mixture-of-Components Attention for Scalable Compositional 3D Generation
- Title（参考訳）: MoCA: スケーラブルな合成3D生成のためのコンポーネントの混合注意
- Authors: Zhiqi Li, Wenhuan Li, Tengfei Wang, Zhenwei Wang, Junta Wu, Haoyuan Wang, Yunhan Yang, Zehuan Huang, Yang Li, Peidong Liu, Chunchao Guo,
- Abstract要約: MoCAは2つの重要な設計を持つ合成3D生成モデルである。
スケーラブルなコンポーネント数で、効率的できめ細かな3Dアセット作成を可能にする。
- 参考スコア（独自算出の注目度）: 26.907696829653247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compositionality is critical for 3D object and scene generation, but existing part-aware 3D generation methods suffer from poor scalability due to quadratic global attention costs when increasing the number of components. In this work, we present MoCA, a compositional 3D generative model with two key designs: (1) importance-based component routing that selects top-k relevant components for sparse global attention, and (2) unimportant components compression that preserve contextual priors of unselected components while reducing computational complexity of global attention. With these designs, MoCA enables efficient, fine-grained compositional 3D asset creation with scalable number of components. Extensive experiments show MoCA outperforms baselines on both compositional object and scene generation tasks. Project page: https://lizhiqi49.github.io/MoCA
- Abstract（参考訳）: 構成性は3Dオブジェクトとシーン生成において重要であるが,既存のパートアウェアな3D生成手法では,コンポーネント数の増加に伴う2次的グローバルアテンションコストによるスケーラビリティの低下に悩まされている。
本研究では,(1) 重要度に基づく重要度に基づくコンポーネントルーティング,(2) 重要度の高いコンポーネント圧縮,(2) 選択されていないコンポーネントの文脈的事前保存,そしてグローバルな注意の計算複雑性の低減,という2つの重要な設計の3D生成モデルであるMoCAを提案する。
これらの設計により、MoCAは、スケーラブルなコンポーネント数で効率的できめ細かな3Dアセット作成を可能にする。
大規模な実験により、MoCAは構成対象とシーン生成タスクの両方でベースラインを上回ります。
プロジェクトページ:https://lizhiqi49.github.io/MoCA
関連論文リスト
- PartNeXt: A Next-Generation Dataset for Fine-Grained and Hierarchical 3D Part Understanding [65.55036443711528]
PartNeXtは、23,000以上の高品質なテクスチャ付き3Dモデルを持つ次世代データセットで、50のカテゴリにわたるきめ細かな階層的なパーツラベルがアノテートされている。
そこで我々は,(1)クラス非依存な部分分割,最先端の手法が細粒度や葉のレベルに苦しむ部分分割,(2)3D部分中心の質問応答,(3)オープン語彙の部分接地における大きなギャップを明らかにする3D-LLMsの新しいベンチマークの2つのタスクについて,PartNeXtをベンチマークした。
論文 参考訳（メタデータ） (2025-10-23T03:06:08Z) - Assembler: Scalable 3D Part Assembly via Anchor Point Diffusion [39.08891847512135]
本稿では,3次元部品組み立てのためのスケーラブルで汎用的なフレームワークであるAssemblerを紹介する。
様々な部分数、ジオメトリ、構造を持つ、多種多様な内部オブジェクトを処理します。
PartNetで最先端のパフォーマンスを実現し、複雑な現実世界のオブジェクトに対して、初めて高品質なアセンブリをデモした。
論文 参考訳（メタデータ） (2025-06-20T15:25:20Z) - Efficient Part-level 3D Object Generation via Dual Volume Packing [51.712083185732894]
パートレベルの3Dオブジェクト生成のための新しいエンドツーエンドフレームワークを提案する。
提案手法は,任意の数の完全かつ意味論的に意味のある部分を持つ高品質な3Dオブジェクトを生成する。
論文 参考訳（メタデータ） (2025-06-11T17:55:03Z) - 3DCoMPaT200: Language-Grounded Compositional Understanding of Parts and Materials of 3D Shapes [29.8054021078428]
3DCoMPaT200は、対象部品や材料の構成的理解に適した大規模なデータセットである。
これは、$approx$5のオブジェクト語彙を持つ200のオブジェクトカテゴリを、3DCoMPaTや$approx$4の大きい部分カテゴリと比較する。
合成3次元モデリングの複雑さに対処するために,合成部品形状検索の新しい課題を提案する。
論文 参考訳（メタデータ） (2025-01-12T11:46:07Z) - Chirpy3D: Creative Fine-grained 3D Object Fabrication via Part Sampling [128.23917788822948]
Chirpy3Dは、ゼロショット設定で微細な3Dオブジェクトを生成するための新しいアプローチである。
モデルは、可塑性な3D構造を推測し、きめ細かい細部を捉え、新しい物体に一般化する必要がある。
我々の実験では、Cirpy3Dは、高品質できめ細かな細部を持つ創造的な3Dオブジェクトを生成する既存の手法を超越していることが示されている。
論文 参考訳（メタデータ） (2025-01-07T21:14:11Z) - PartGen: Part-level 3D Generation and Reconstruction with Multi-View Diffusion Models [63.1432721793683]
テキスト,画像,構造化されていない3Dオブジェクトから意味のある部分からなる3Dオブジェクトを生成する新しいアプローチであるPartGenを紹介する。
提案手法は, 生成された実物および実物の3次元資産に対して評価し, セグメンテーションおよび部分抽出ベースラインを大きなマージンで上回っていることを示す。
論文 参考訳（メタデータ） (2024-12-24T18:59:43Z) - CompGS: Unleashing 2D Compositionality for Compositional Text-to-3D via Dynamically Optimizing 3D Gaussians [97.15119679296954]
CompGS は 3D Gaussian Splatting (GS) を用いた,効率的なテキストから3Dコンテンツ生成のための新しい生成フレームワークである。
CompGSは簡単に3D編集に拡張でき、シーン生成を容易にする。
論文 参考訳（メタデータ） (2024-10-28T04:35:14Z)
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。