論文の概要: Hoi3DGen: Generating High-Quality Human-Object-Interactions in 3D

• arxiv url: http://arxiv.org/abs/2603.12126v1
• Date: Thu, 12 Mar 2026 16:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.214488
• Title: Hoi3DGen: Generating High-Quality Human-Object-Interactions in 3D
• Title（参考訳）: Hoi3DGen: 高品質なヒューマンオブジェクトインタラクションを3Dで生成する
• Abstract要約: Hoi3DGenは、入力インタラクション記述を正確に追従する、人間とオブジェクトのインタラクションの高品質なテクスチャメッシュを生成するフレームワークである。 本手法は,テキストの一貫性が4～15倍,3次元モデル品質が3～7倍に向上する。
• 参考スコア（独自算出の注目度）: 29.37815662492805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling and generating 3D human-object interactions from text is crucial for applications in AR, XR, and gaming. Existing approaches often rely on score distillation from text-to-image models, but their results suffer from the Janus problem and do not follow text prompts faithfully due to the scarcity of high-quality interaction data. We introduce Hoi3DGen, a framework that generates high-quality textured meshes of human-object interaction that follow the input interaction descriptions precisely. We first curate realistic and high-quality interaction data leveraging multimodal large language models, and then create a full text-to-3D pipeline, which achieves orders-of-magnitude improvements in interaction fidelity. Our method surpasses baselines by 4-15x in text consistency and 3-7x in 3D model quality, exhibiting strong generalization to diverse categories and interaction types, while maintaining high-quality 3D generation.
• Abstract（参考訳）: テキストからの3Dヒューマンオブジェクトインタラクションのモデリングと生成は、AR、XR、ゲームにおけるアプリケーションにとって不可欠である。 既存のアプローチは、しばしばテキスト・ツー・イメージのモデルからのスコアの蒸留に頼っているが、その結果はヤヌスの問題に悩まされ、高品質な相互作用データが不足しているため、テキストのプロンプトに忠実に従わない。 入力インタラクション記述を正確に追従する,人間-オブジェクトインタラクションの高品質なテクスチャメッシュを生成するフレームワークであるHoi3DGenを紹介する。 まず,マルチモーダルな大言語モデルを利用して,現実的かつ高品質な対話データをキュレートし,その上で,対話の忠実さのオーダー・オブ・マグニチュード向上を実現する,完全なテキスト・ツー・3Dパイプラインを作成する。 提案手法は,テキストの一貫性が4～15倍,3次元モデル品質が3～7倍に向上し,高品質な3次元生成を維持しつつ,多様なカテゴリやインタラクションタイプに強い一般化を示す。

関連論文リスト

• Text-Image Conditioned 3D Generation [71.98375600100856]
  TIGONは、イメージとテキスト条件のバックボーンと軽量なクロスモーダル融合を備えた、最小限のデュアルブランチベースラインである。 我々の診断研究は、テキストと画像条件の単純な融合でさえ、単一モダリティモデルよりも優れていることを示している。 大規模な実験により、テキスト画像の条件付けは単一モダリティ法よりも一貫して改善されることが示された。
  論文  参考訳（メタデータ） (2026-03-22T15:36:16Z)
• 3DGen-Bench: Comprehensive Benchmark Suite for 3D Generative Models [94.48803082248872]
  3D世代は急速に進歩しているが、3D評価の開発はペースを保っていない。 3DGen-Arenaは、公開ユーザと専門家アノテータの両方から人間の好みを収集する統合プラットフォームである。 このデータセットを用いて、CLIPベースのスコアモデルである3DGen-ScoreとMLLMベースの自動評価器である3DGen-Evalをさらに訓練する。
  論文  参考訳（メタデータ） (2025-03-27T17:53:00Z)
• OOD-HOI: Text-Driven 3D Whole-Body Human-Object Interactions Generation Beyond Training Domains [66.62502882481373]
  現在の方法では、身体と手の両方に焦点を合わせ、結束的で現実的な相互作用を生み出す能力を制限する傾向にある。 我々は,OOD-HOIというテキスト駆動型フレームワークを提案する。 提案手法は,初期相互作用ポーズを合成するための二重分岐相互拡散モデルと,予測された接触領域に基づく物理的精度向上のための接触誘導相互作用精製器と,ロバスト性向上のための意味的調整と変形を含む動的適応機構を統合した。
  論文  参考訳（メタデータ） (2024-11-27T10:13:35Z)
• InterFusion: Text-Driven Generation of 3D Human-Object Interaction [38.380079482331745]
  ゼロショットテキスト・ツー・3D方式でテキスト記述から3次元オブジェクト間相互作用(HOI)を生成する複雑な課題に取り組む。 本稿では,HOI生成に特化して設計された2段階フレームワークであるInterFusionを紹介する。 実験の結果,InterFusionは3次元HOI生成において既存の最先端手法よりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2024-03-22T20:49:26Z)
• ViewDiff: 3D-Consistent Image Generation with Text-to-Image Models [65.22994156658918]
  実世界のデータから1つの認知過程において多視点画像を生成することを学習する手法を提案する。 我々は、任意の視点でより多くの3D一貫性のある画像をレンダリングする自己回帰生成を設計する。
  論文  参考訳（メタデータ） (2024-03-04T07:57:05Z)
• HexaGen3D: StableDiffusion is just one step away from Fast and Diverse Text-to-3D Generation [47.74743874265989]
  本研究では,大規模2次元拡散モデルのパワーを利用する新しい手法を提案する。 我々のアプローチであるHexaGen3Dは、6つの直交射影と対応する潜伏三葉機を共同で予測するために事前訓練されたテキスト・ツー・イメージモデルを微調整する。 高品質で多様なオブジェクトをテキストプロンプトから7秒で推測し、品質とレイテンシのトレードオフを大幅に改善する。
  論文  参考訳（メタデータ） (2024-01-15T14:41:15Z)
• DiffusionGAN3D: Boosting Text-guided 3D Generation and Domain Adaptation by Combining 3D GANs and Diffusion Priors [26.0337715783954]
  DiffusionGAN3Dは、3D GANと拡散前処理を組み合わせることで、テキスト誘導型3Dドメイン適応と生成を促進する。 提案フレームワークはドメイン適応とテキスト・トゥ・アバタータスクの両方において優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-12-28T05:46:26Z)
• T$^3$Bench: Benchmarking Current Progress in Text-to-3D Generation [52.029698642883226]
  テキストから3Dへの手法は、強力な事前学習拡散モデルを利用してNeRFを最適化する。 ほとんどの研究は、主観的なケーススタディとユーザ実験で結果を評価している。 最初の総合的なテキスト・ツー・3DベンチマークであるT$3$Benchを紹介する。
  論文  参考訳（メタデータ） (2023-10-04T17:12:18Z)
• Large-Vocabulary 3D Diffusion Model with Transformer [57.076986347047]
  本稿では,1つの生成モデルを用いて実世界の3Dオブジェクトの大規模カテゴリを合成するための拡散型フィードフォワードフレームワークを提案する。 本稿では,三面体を用いた3次元拡散モデル(TransFormer, DiffTF)を提案する。 ShapeNetとOmniObject3Dの実験は、単一のDiffTFモデルが最先端の大語彙3Dオブジェクト生成性能を達成することを確実に実証している。
  論文  参考訳（メタデータ） (2023-09-14T17:59:53Z)
• DreamBooth3D: Subject-Driven Text-to-3D Generation [43.14506066034495]
  そこで,DreamBooth3Dを提案する。DreamBooth3Dは,テキストから3Dへの生成モデルを3～6個の画像からパーソナライズする手法である。 これらの手法を鼻で組み合わせると、被験者の入力視点に過度に適合するパーソナライズされたテキスト・ツー・イメージ・モデルにより、満足のいく主題固有の3Dアセットが得られないことがわかった。 提案手法は,新規なポーズ,色,属性などのテキスト操作によって,被験者の入力画像にない高品質な3Dアセットを作成できる。
  論文  参考訳（メタデータ） (2023-03-23T17:59:00Z)

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。