論文の概要: HY3D-Bench: Generation of 3D Assets

• arxiv url: http://arxiv.org/abs/2602.03907v1
• Date: Tue, 03 Feb 2026 14:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.218533
• Title: HY3D-Bench: Generation of 3D Assets
• Title（参考訳）: HY3D-Bench:3Dアセットの生成
• Abstract要約: HY3D-Benchはオープンソースのエコシステムであり、3D世代のための統一的で高品質な基盤を確立するために設計された。 大規模リポジトリから抽出した250kの高忠実度3Dオブジェクトのライブラリをキュレートし、厳密なパイプラインを用いてトレーニング可能なアーティファクトを提供する。 スケーラブルなAIGC合成パイプラインを通じて現実世界の分散ギャップをブリッジし、125kの合成資産を提供し、ロングテールカテゴリの多様性を高めます。
• 参考スコア（独自算出の注目度）: 35.60878644543142
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While recent advances in neural representations and generative models have revolutionized 3D content creation, the field remains constrained by significant data processing bottlenecks. To address this, we introduce HY3D-Bench, an open-source ecosystem designed to establish a unified, high-quality foundation for 3D generation. Our contributions are threefold: (1) We curate a library of 250k high-fidelity 3D objects distilled from large-scale repositories, employing a rigorous pipeline to deliver training-ready artifacts, including watertight meshes and multi-view renderings; (2) We introduce structured part-level decomposition, providing the granularity essential for fine-grained perception and controllable editing; and (3) We bridge real-world distribution gaps via a scalable AIGC synthesis pipeline, contributing 125k synthetic assets to enhance diversity in long-tail categories. Validated empirically through the training of Hunyuan3D-2.1-Small, HY3D-Bench democratizes access to robust data resources, aiming to catalyze innovation across 3D perception, robotics, and digital content creation.
• Abstract（参考訳）: ニューラル表現と生成モデルの最近の進歩は、3Dコンテンツ生成に革命をもたらしたが、この分野は重要なデータ処理のボトルネックによって制約されている。 そこで我々はHY3D-Benchを紹介する。HY3D-Benchはオープンソースのエコシステムで、3D生成のための統一的で高品質な基盤を確立する。 我々は,(1)大規模リポジトリから抽出した250kの高忠実度3Dオブジェクトのライブラリをキュレートし,水密メッシュやマルチビューレンダリングなどのトレーニング可能なアーティファクトを提供するための厳密なパイプラインを使用し,(2)微細な認識と制御可能な編集に不可欠な粒度を提供する構造化部分分解を導入し,(3)スケーラブルなAIGC合成パイプラインを通じて現実世界の分布ギャップを橋渡し,125kの合成資産を長細いカテゴリの多様性向上に寄与する。 Hunyuan3D-2.1-Smallのトレーニングを通じて実証的に検証されたHY3D-Benchは、堅牢なデータリソースへのアクセスを民主化し、3D知覚、ロボティクス、デジタルコンテンツ生成の革新を触媒することを目指している。

関連論文リスト

• PLSR: Progressive and Localized Super-Resolution of 3D Objects via Localized Latent Voxel Diffusion [44.63283515238481]
  高分解能な3Dアセット生成は、様々な3Dアプリケーションにおいて不可欠である。 既存の最先端拡散ベースのモデルは、固定解像度によって制約される。 既存の3次元生成基盤モデルに基づく3次元超解像フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-06T07:21:36Z)
• DeepJEB++: Foundation Model-Driven Large-Scale 3D Engineering Dataset via 2D Latent Space Augmentation [4.353545088427288]
  DeepJEB++は基盤モデル駆動のデータ拡張フレームワークである。 ジェットエンジンのブラケットの小さなシードセットを、大規模なシミュレーションラベル付き3Dデータセットに拡張する。 400以下のシードデザインから始まり、DeepJEB++は15,360個のシミュレーションラベル付き3Dブラケットを出力する。
  論文  参考訳（メタデータ） (2026-06-11T07:30:56Z)
• Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models [66.3899679538548]
  生成可能な3Dモデルは、ゲーム、ロボティクス、没入型生成にデプロイされる。 どの生成モデルが生成したのかを特定できますか。 この問題は、分散属性信号と現実的なデプロイメント制約という、2つの主要な課題に直面している。
  論文  参考訳（メタデータ） (2026-05-18T09:36:48Z)
• Particulate: Feed-Forward 3D Object Articulation [89.78788418174946]
  Particulateは、毎日のオブジェクトの1つの静的3Dメッシュが与えられたフィードフォワードアプローチであり、基盤となる関節構造のすべての属性を直接推論する。 私たちは、公開データセットから多種多様な3Dアセットの集合に基づいて、ネットワークのエンドツーエンドをトレーニングします。 推論中、Particulateはネットワークのフィードフォワード予測を入力メッシュに持ち上げ、完全に調音された3Dモデルを数秒で生成する。
  論文  参考訳（メタデータ） (2025-12-12T18:59:51Z)
• Step1X-3D: Towards High-Fidelity and Controllable Generation of Textured 3D Assets [90.99212668875971]
  Step1X-3Dは、データの不足、アルゴリズムの制限、エコシステムの断片化といった課題に対処するオープンフレームワークである。 拡散型テクスチャ合成モジュールとハイブリッドVAE-DiTジオメトリジェネレータを組み合わせた2段階の3Dネイティブアーキテクチャを提案する。 ベンチマークの結果は、既存のオープンソースメソッドを超える最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-05-12T16:56:30Z)
• TripoSG: High-Fidelity 3D Shape Synthesis using Large-Scale Rectified Flow Models [69.0220314849478]
  TripoSGは、入力画像に正確に対応した高忠実度3Dメッシュを生成することができる新しい合理化形状拡散パラダイムである。 結果として得られた3D形状は、高解像度の能力によって細部が強化され、入力画像に異常な忠実さを示す。 3Dジェネレーションの分野における進歩と革新を促進するため、我々はモデルを一般公開する。
  論文  参考訳（メタデータ） (2025-02-10T16:07:54Z)
• Structured 3D Latents for Scalable and Versatile 3D Generation [28.672494137267837]
  汎用的で高品質な3Dアセット作成のための新しい3D生成手法を提案する。 基本となるのは、異なる出力フォーマットへのデコードを可能にする、構造化されたLATent表現である。 これは、疎人口の少ない3Dグリッドと、強力な視覚基盤モデルから抽出された濃密な多視点視覚特徴を統合することで実現される。
  論文  参考訳（メタデータ） (2024-12-02T13:58:38Z)
• 3DTopia-XL: Scaling High-quality 3D Asset Generation via Primitive Diffusion [86.25111098482537]
  3DTopia-XLは,既存の手法の限界を克服するために設計された,スケーラブルなネイティブな3D生成モデルである。 3DTopia-XLは、新しいプリミティブベースの3D表現であるPrimXを利用して、詳細な形状、アルベド、マテリアルフィールドをコンパクトなテンソル形式にエンコードする。 その上で, 1) 原始的パッチ圧縮, 2) および潜在的原始的拡散を含む拡散変換器(DiT)に基づく生成フレームワークを提案する。 我々は,3DTopia-XLが既存の手法よりも高い性能を示すことを示すために,広範囲な定性的,定量的な実験を行った。
  論文  参考訳（メタデータ） (2024-09-19T17:59:06Z)
• 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)
• Pushing the Limits of 3D Shape Generation at Scale [65.24420181727615]
  我々は、前例のない次元に拡大することで、3次元形状生成において画期的なブレークスルーを示す。 現在までに最大の3次元形状生成モデルとしてArgus-3Dが確立されている。
  論文  参考訳（メタデータ） (2023-06-20T13:01:19Z)

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。