論文の概要: Tune-Your-Style: Intensity-tunable 3D Style Transfer with Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2602.00618v1
• Date: Sat, 31 Jan 2026 09:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.293105
• Title: Tune-Your-Style: Intensity-tunable 3D Style Transfer with Gaussian Splatting
• Title（参考訳）: Tune-Your-Style:Gaussian Splattingを用いた強度可変3Dスタイルトランスファー
• Authors: Yian Zhao, Rushi Ye, Ruochong Zheng, Zesen Cheng, Chaoran Feng, Jiashu Yang, Pengchong Qiao, Chang Liu, Jie Chen,
• Abstract要約: 3Dスタイル転送は、参照スタイル画像に基づく3Dアセットの芸術的なスタイル化を指す。 そこで我々は,textbfTune-Your-Styleと呼ばれる,創造性のある3Dスタイル転送パラダイムを導入し,ユーザがシーンに注入されるスタイルの強度を柔軟に調整できるようにする。 提案手法は,視覚的に魅力的な結果を提供するだけでなく,3Dスタイルの転送に対して柔軟なカスタマイズ性を示す。
• 参考スコア（独自算出の注目度）: 17.866620983045625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D style transfer refers to the artistic stylization of 3D assets based on reference style images. Recently, 3DGS-based stylization methods have drawn considerable attention, primarily due to their markedly enhanced training and rendering speeds. However, a vital challenge for 3D style transfer is to strike a balance between the content and the patterns and colors of the style. Although the existing methods strive to achieve relatively balanced outcomes, the fixed-output paradigm struggles to adapt to the diverse content-style balance requirements from different users. In this work, we introduce a creative intensity-tunable 3D style transfer paradigm, dubbed \textbf{Tune-Your-Style}, which allows users to flexibly adjust the style intensity injected into the scene to match their desired content-style balance, thus enhancing the customizability of 3D style transfer. To achieve this goal, we first introduce Gaussian neurons to explicitly model the style intensity and parameterize a learnable style tuner to achieve intensity-tunable style injection. To facilitate the learning of tunable stylization, we further propose the tunable stylization guidance, which obtains multi-view consistent stylized views from diffusion models through cross-view style alignment, and then employs a two-stage optimization strategy to provide stable and efficient guidance by modulating the balance between full-style guidance from the stylized views and zero-style guidance from the initial rendering. Extensive experiments demonstrate that our method not only delivers visually appealing results, but also exhibits flexible customizability for 3D style transfer. Project page is available at https://zhao-yian.github.io/TuneStyle.
• Abstract（参考訳）: 3Dスタイル転送は、参照スタイル画像に基づく3Dアセットの芸術的なスタイル化を指す。 近年,3DGSをベースとしたスタイリング手法が注目されている。 しかし、3Dスタイルの転送にとって重要な課題は、コンテンツとスタイルのパターンと色の間にバランスをとることだ。 既存の手法は比較的バランスの取れた結果を達成するために努力するが、固定出力パラダイムは異なるユーザーからの多様なコンテンツスタイルのバランス要求に適応するのに苦労する。 そこで本研究では,シーンに注入されたスタイル強度を,所望のコンテンツスタイルのバランスに合わせるように柔軟に調整し,3Dスタイルの転送のカスタマイズ性を向上する,創造的な強度調整可能な3Dスタイル転送パラダイム「textbf{Tune-Your-Style}」を紹介した。 この目的を達成するために、まずガウスニューロンを導入し、スタイル強度を明示的にモデル化し、学習可能なスタイルチューナをパラメータ化し、強度調整可能なスタイルインジェクションを実現する。 さらに,図形化された図形とゼロスタイルの図形とのバランスを調整して,2段階の最適化手法を用いて,図形化された図形からのフルスタイルの図形化とゼロスタイルの図形化のバランスを調整して,安定的で効率的な図形化を行う。 広汎な実験により,本手法は視覚的に魅力的な結果を提供するだけでなく,3Dスタイルの転送を柔軟にカスタマイズできることを示した。 プロジェクトページはhttps://zhao-yian.github.io/TuneStyle.comで公開されている。

関連論文リスト

• DiffStyle3D: Consistent 3D Gaussian Stylization via Attention Optimization [22.652699040654046]
  3Dスタイルの転送により、視覚的に表現可能な3Dコンテンツを作成することができる。 DiffStyle3Dを提案する。DiffStyle3Dは3DGSスタイル転送のための新しい拡散型パラダイムである。 DiffStyle3Dは最先端の手法より優れ、より高度なスタイリゼーション品質と視覚リアリズムを実現する。
  論文  参考訳（メタデータ） (2026-01-27T15:41:11Z)
• StyleSculptor: Zero-Shot Style-Controllable 3D Asset Generation with Texture-Geometry Dual Guidance [50.207322685527394]
  StyleSculptorは、コンテンツイメージと1つ以上のスタイルイメージからスタイル誘導された3Dアセットを生成するトレーニング不要のアプローチである。 ゼロショット方式でスタイル誘導3D生成を実現し、きめ細かい3Dスタイル制御を可能にする。 実験では、StyleSculptorは、高忠実度3Dアセットの生成において、既存のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2025-09-16T17:55:20Z)
• Multi-StyleGS: Stylizing Gaussian Splatting with Multiple Styles [45.648346391757336]
  3Dガウススプラッティング(GS)は現実的な3Dシーンモデリングのための有望かつ効率的な手法として登場した。 これらの課題に対処するために,Multi-StyleGSと呼ばれる新しい3D GSスタイリングソリューションを導入する。
  論文  参考訳（メタデータ） (2025-06-07T15:54:34Z)
• StyleShot: A Snapshot on Any Style [20.41380860802149]
  テスト時間チューニングを伴わない汎用的なスタイル転送には,優れたスタイル表現が不可欠であることを示す。 スタイル認識型エンコーダと、StyleGalleryと呼ばれるよく編成されたスタイルデータセットを構築することで、これを実現する。 当社のアプローチであるStyleShotは,テストタイムチューニングを必要とせずに,さまざまなスタイルを模倣する上で,シンプルかつ効果的なものです。
  論文  参考訳（メタデータ） (2024-07-01T16:05:18Z)
• StylizedGS: Controllable Stylization for 3D Gaussian Splatting [56.87134037463792]
  StylizedGSは知覚因子を適応的に制御する効率的な3Dニューラルスタイル転送フレームワークである。 本手法は,忠実なブラシストロークとフレキシブル制御による幾何整合性を特徴とする高品質なスタイリゼーションを実現する。
  論文  参考訳（メタデータ） (2024-04-08T06:32:11Z)
• 3DSNet: Unsupervised Shape-to-Shape 3D Style Transfer [66.48720190245616]
  本稿では,3次元オブジェクト間のスタイル伝達のための学習に基づくアプローチを提案する。 提案手法は点雲とメッシュの両方で新しい3次元形状を合成することができる。 選択したドメインのマルチモーダルなスタイル分布を暗黙的に学習するために,我々の手法を拡張した。
  論文  参考訳（メタデータ） (2020-11-26T16:59:12Z)

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。