論文の概要: FabricGen: Microstructure-Aware Woven Fabric Generation
- arxiv url: http://arxiv.org/abs/2603.07240v1
- Date: Sat, 07 Mar 2026 14:49:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:14.112901
- Title: FabricGen: Microstructure-Aware Woven Fabric Generation
- Title（参考訳）: FabricGen: 組織を意識した織物生成
- Authors: Yingjie Tang, Di Luo, Zixiong Wang, Xiaoli Ling, jian Yang, Beibei Wang,
- Abstract要約: FabricGenは、テキスト記述から高品質な織物素材を生成するエンドツーエンドフレームワークである。
本手法の重要な洞察は, マクロスケールテクスチャとマイクロスケールウィービングパターンの分解である。
本研究では, 糸のすべりとフライアウェイ繊維を併用し, 自然な糸面形状を合成できるプロシージャ幾何モデルを開発した。
- 参考スコア（独自算出の注目度）: 21.93495205080579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Woven fabric materials are widely used in rendering applications, yet designing realistic examples typically involves multiple stages, requiring expertise in weaving principles and texture authoring. Recent advances have explored diffusion models to streamline this process; however, pre-trained diffusion models often struggle to generate intricate yarn-level details that conform to weaving rules. To address this, we present FabricGen, an end-to-end framework for generating high-quality woven fabric materials from textual descriptions. A key insight of our method is the decomposition of macro-scale textures and micro-scale weaving patterns. To generate macro-scale textures free from microstructures, we fine-tune pre-trained diffusion models on a collected dataset of microstructure-free fabrics. As for micro-scale weaving patterns, we develop an enhanced procedural geometric model capable of synthesizing natural yarn-level geometry with yarn sliding and flyaway fibers. The procedural model is driven by a specialized large language model, WeavingLLM, which is fine-tuned on an annotated dataset of formatted weaving drafts, and prompt-tuned with domain-specific fabric expertise. Through fine-tuning and prompt tuning, WeavingLLM learns to design weaving drafts and fabric parameters from textual prompts, enabling the procedural model to produce diverse weaving patterns that stick to weaving principles. The generated macro-scale texture, along with the micro-scale geometry, can be used for fabric rendering. Consequently, our framework produces materials with significantly richer detail and realism compared to prior generative models.
- Abstract（参考訳）: 織布の素材はアプリケーションのレンダリングに広く使われているが、現実的な例を設計する場合、一般的には複数の段階が伴い、織りの原理やテクスチャのオーサリングの専門知識を必要とする。
近年, このプロセスの合理化のために拡散モデルが研究されているが, 事前学習した拡散モデルでは, 織りルールに適合する複雑な糸レベルの詳細を生成するのに苦労することが多い。
これを解決するために、テキスト記述から高品質な織物材料を生成するエンドツーエンドフレームワークであるFabricGenを提案する。
本手法の重要な洞察は, マクロスケールテクスチャとマイクロスケールウィービングパターンの分解である。
マイクロ構造のないマクロなテクスチャを生成するため, マイクロ構造のない布の集合データセット上で, 事前学習した拡散モデルを微調整した。
マイクロ・スケール・ウィービング・パターンについては, 天然糸面形状をスライディングとフライアウェイ繊維で合成できる, プロシージャ幾何モデルを開発した。
プロシージャモデルは、フォーマット化されたウィービングドラフトの注釈付きデータセットに基づいて微調整され、ドメイン固有のファブリックの専門知識で即座に調整される、特別な大規模言語モデルであるWeavingLLMによって駆動される。
微調整と迅速なチューニングを通じて、WeavingLLMはテキストプロンプトから織りのドラフトとファブリックパラメータを設計することを学び、手続きモデルが織りの原則に固執する多様な織りパターンを作成できるようにする。
生成したマクロスケールテクスチャとマイクロスケールのテクスチャは、ファブリックレンダリングに使用することができる。
その結果,本フレームワークは,以前の生成モデルと比較して,よりリッチなディテールとリアリズムを持つ材料を生成することができた。
関連論文リスト
- Data-Efficient Brushstroke Generation with Diffusion Models for Oil Painting [60.15416769662556]
そこで本研究では,手書きサンプルの小さなセットから人型ブラシストローク生成を学習する問題について検討する。
Smooth Regularization (SmR) を用いた拡散型フレームワーク StrokeDiff を提案する。
学習したプリミティブをBézierベースの条件付けモジュールで制御可能であることを示す。
論文 参考訳（メタデータ） (2026-03-01T13:42:35Z) - GarmageNet: A Multimodal Generative Framework for Sewing Pattern Design and Generic Garment Modeling [35.49678134341859]
GarmageNetは、2Dミシンパターンの作成を自動化する生成フレームワークである。
ガーマージ(Garmage)は、各パネルを構造的幾何学的イメージとしてエンコードする、新しい衣服表現である。
GarmageSetは14,801のプロフェッショナルデザインの衣服からなる大規模なデータセットである。
論文 参考訳（メタデータ） (2025-04-02T08:37:32Z) - SuperCarver: Texture-Consistent 3D Geometry Super-Resolution for High-Fidelity Surface Detail Generation [70.76810765911499]
粗いメッシュ上にテクスチャ一貫性のある表面の詳細を補うための3次元幾何学的超解像パイプラインであるSuperCarverを紹介する。
実験により、私たちのSuperCarverは実際のテクスチャの外観によって描写された現実的で表現力のある表面の詳細を生成することができることが示された。
論文 参考訳（メタデータ） (2025-03-12T14:38:45Z) - Multimodal Latent Diffusion Model for Complex Sewing Pattern Generation [52.13927859375693]
テキストプロンプト,体形,着物スケッチによって制御される縫製パターンを生成するマルチモーダル生成モデルであるSwingLDMを提案する。
潜伏空間における縫製パターンの分布を学習するために,2段階のトレーニング戦略を設計する。
総合的定性的および定量的実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-12-19T02:05:28Z) - FabricDiffusion: High-Fidelity Texture Transfer for 3D Garments Generation from In-The-Wild Clothing Images [56.63824638417697]
ファブリックディフュージョン(FabricDiffusion)は、織物のテクスチャを1枚の衣服画像から任意の形状の3D衣服に転送する方法である。
FabricDiffusionは、テクスチャパターン、材料特性、詳細な印刷物やロゴを含む、単一の衣料品画像から様々な特徴を伝達できることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:57:12Z) - Single Mesh Diffusion Models with Field Latents for Texture Generation [18.78126579775479]
本稿では,3次元形状の表面に直接作用する固有潜在拡散モデルを提案する。
私たちは、メッシュ上の特定のテクスチャのバリエーションを生成するために、モデルがトレーニングされる、単一テクスチャ・メシュのパラダイムを考えています。
我々のモデルは、インペイントやラベル誘導生成などのユーザ制御編集タスクにも適応できる。
論文 参考訳（メタデータ） (2023-12-14T18:59:36Z) - NRST: Non-rigid Surface Tracking from Monocular Video [97.2743051142748]
モノクロRGBビデオからの非剛性表面追跡の効率的な手法を提案する。
ビデオとテンプレートメッシュが与えられた場合、我々のアルゴリズムはテンプレートをフレーム毎に非厳密に登録する。
以上の結果から, 汎用テクスチャ非剛体および単色織物に対する本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-07-06T06:06:45Z) - Texture Generation with Neural Cellular Automata [64.70093734012121]
一つのテンプレート画像からテクスチャジェネレータを学習する。
NCAモデルで示される振る舞いは、テクスチャを生成するための学習された分散されたローカルアルゴリズムであると主張します。
論文 参考訳（メタデータ） (2021-05-15T22:05:46Z)
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。