論文の概要: DM-CFO: A Diffusion Model for Compositional 3D Tooth Generation with Collision-Free Optimization

• arxiv url: http://arxiv.org/abs/2603.03602v1
• Date: Wed, 04 Mar 2026 00:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.131747
• Title: DM-CFO: A Diffusion Model for Compositional 3D Tooth Generation with Collision-Free Optimization
• Title（参考訳）: DM-CFO:コリジョンフリー最適化による組成3次元歯の拡散モデル
• Authors: Yan Tian, Pengcheng Xue, Weiping Ding, Mahmoud Hassaballah, Karen Egiazarian, Aura Conci, Abdulkadir Sengur, Leszek Rutkowski,
• Abstract要約: そこで本研究では, DM-CFOと命名された歯質形成のためのアプローチを提案する。 提案手法は, 既存の方法と比較して, 歯の多面的整合性とリアリズムを著しく改善することを示す。
• 参考スコア（独自算出の注目度）: 20.638904379060573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The automatic design of a 3D tooth model plays a crucial role in dental digitization. However, current approaches face challenges in compositional 3D tooth generation because both the layouts and shapes of missing teeth need to be optimized.In addition, collision conflicts are often omitted in 3D Gaussian-based compositional 3D generation, where objects may intersect with each other due to the absence of explicit geometric information on the object surfaces. Motivated by graph generation through diffusion models and collision detection using 3D Gaussians, we propose an approach named DM-CFO for compositional tooth generation, where the layout of missing teeth is progressively restored during the denoising phase under both text and graph constraints. Then, the Gaussian parameters of each layout-guided tooth and the entire jaw are alternately updated using score distillation sampling (SDS). Furthermore, a regularization term based on the distances between the 3D Gaussians of neighboring teeth and the anchor tooth is introduced to penalize tooth intersections. Experimental results on three tooth-design datasets demonstrate that our approach significantly improves the multiview consistency and realism of the generated teeth compared with existing methods. Project page: https://amateurc.github.io/CF-3DTeeth/.
• Abstract（参考訳）: 3次元歯牙モデルの自動設計は, 歯科デジタル化において重要な役割を担っている。 しかし, 歯の形状や形状を最適化する必要があるため, 現段階では, 3次元ガウス系合成3次元生成では衝突の衝突が省略されることが多く, 物体表面の幾何的情報がないため, 物体同士が交差することがある。 三次元ガウシアンを用いた拡散モデルによるグラフ生成と衝突検出によりモチベーションを得た3次元ガウシアン (DM-CFO) を用いた合成歯の創出手法を提案する。 次に、各配置誘導歯と顎全体のガウスパラメータをスコア蒸留サンプリング(SDS)を用いて交互に更新する。 さらに, 隣接歯の3次元ガウスアンとアンカー歯との距離に基づく正規化用語を導入し, 歯の交叉を罰する。 3つの歯設計データセットによる実験結果から,本手法は既存の方法と比較して,歯の多面的整合性とリアリズムを著しく改善することが示された。 プロジェクトページ:https://amateurc.github.io/CF-3DTeeth/。

関連論文リスト

• SOFTooth: Semantics-Enhanced Order-Aware Fusion for Tooth Instance Segmentation [18.381890045783376]
  混み合ったアーチ, あいまいな歯肉境界, 欠損歯, 稀ながら臨床的に重要な第3大臼歯などにより, 3次元歯の症例分割は困難である。 我々は,2次元マスクを明示的に監視することなく,凍結した2次元セマンティクスを活用するセマンティクス強化2D-3D融合フレームワークSOFToothを提案する。 3DTeethSeg'22では、SOFToothは、第3大臼歯を含む症例に対して、全体的な精度と平均IoUを達成する。
  論文  参考訳（メタデータ） (2025-12-29T12:14:41Z)
• TeethGenerator: A two-stage framework for paired pre- and post-orthodontic 3D dental data generation [21.06723804953803]
  TeethGeneratorは、歯列前と歯列後を合わせた3D歯のモデルを合成するために設計された新しいフレームワークである。 本データセットは, 実際の矯正データの分布と密接に一致し, 実際のトレーニング用データと組み合わせることで, 歯列アライメント性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-07-07T06:08:10Z)
• ToothForge: Automatic Dental Shape Generation using Synchronized Spectral Embeddings [0.4799822253865054]
  ToothForgeは、新しい3D歯を自動生成するためのスペクトルアプローチである。 形状スペクトルを生成するには 分解されたハーモニクスの不安定さが伴う 同期モデリングは、以前のメソッドによって課された制限要素を取り除く。
  論文  参考訳（メタデータ） (2025-06-03T09:56:22Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective [10.293207903989053]
  既存の学習ベースの手法では、隠れた歯の特徴を使って歯の動きを直接後退させる。 本稿では,衝突制御型歯列配置ネットワークであるDTANを提案する。 我々は,3つの異なる歯列データセットを構築し,精度と速度の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2024-09-18T12:52:54Z)
• GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
  単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。 モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。 最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
  論文  参考訳（メタデータ） (2024-07-05T03:43:08Z)
• 3D Structure-guided Network for Tooth Alignment in 2D Photograph [47.51314162367702]
  矯正治療に先立って歯列が整列した2次元写真は, 効果的な歯科医療コミュニケーションに不可欠である。 本稿では2次元画像空間内の歯を入力として2次元写真を取り,アライメントする3次元構造誘導歯列ネットワークを提案する。 本研究は, 各種顔写真におけるネットワークの評価を行い, 歯科矯正産業における特筆すべき性能と高い適用性を示した。
  論文  参考訳（メタデータ） (2023-10-17T09:44:30Z)
• An Implicit Parametric Morphable Dental Model [79.29420177904022]
  歯および歯茎の3次元異形性モデルとして, 第一報を提出した。 これは、各歯と歯茎のコンポーネントワイド表現と、これら各コンポーネントの学習可能な潜在コードに基づいている。 我々の復元品質は、新しいアプリケーションを実現しつつ、最も先進的なグローバルな暗黙の表現と同等です。
  論文  参考訳（メタデータ） (2022-11-21T12:23:54Z)
• DreamFusion: Text-to-3D using 2D Diffusion [52.52529213936283]
  テキストと画像の合成の最近の進歩は、何十億もの画像と画像のペアで訓練された拡散モデルによって引き起こされている。 本研究では,事前訓練された2次元テキスト・ツー・イメージ拡散モデルを用いてテキスト・ツー・3次元合成を行うことにより,これらの制約を回避する。 提案手法では,3次元トレーニングデータや画像拡散モデルの変更は必要とせず,事前訓練した画像拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-09-29T17:50:40Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• A fully automated method for 3D individual tooth identification and segmentation in dental CBCT [1.567576360103422]
  本稿では,歯科用CBCT画像から3次元個別歯を同定・分別する完全自動化手法を提案する。 提案手法は,ディープラーニングに基づく階層型多段階モデルを構築することで,上記の課題に対処する。 実験結果から, 本法は歯の識別に93.35%のF1スコア, 個々の3次元歯のセグメンテーションに94.79%のDice類似係数を達成できた。
  論文  参考訳（メタデータ） (2021-02-11T15:07:23Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)

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。