論文の概要: UniRecGen: Unifying Multi-View 3D Reconstruction and Generation

• arxiv url: http://arxiv.org/abs/2604.01479v2
• Date: Fri, 03 Apr 2026 02:02:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 12:42:34.271043
• Title: UniRecGen: Unifying Multi-View 3D Reconstruction and Generation
• Title（参考訳）: UniRecGen: マルチビュー3D再構成と生成の統合
• Authors: Zhisheng Huang, Jiahao Chen, Cheng Lin, Chenyu Hu, Hanzhuo Huang, Zhengming Yu, Mengfei Li, Yuheng Liu, Zekai Gu, Zibo Zhao, Yuan Liu, Xin Li, Wenping Wang,
• Abstract要約: フィードフォワードと拡散に基づく生成を統合する統合フレームワークUniRecGenを提案する。 我々は、推論中にシームレスな協調を可能にするとともに、安定したトレーニングを維持できる非絡み合い協調学習を採用している。 実験により、UniRecGenは、既存の手法よりも優れた忠実性と堅牢性を実現していることが示された。
• 参考スコア（独自算出の注目度）: 39.26563127393024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse-view 3D modeling represents a fundamental tension between reconstruction fidelity and generative plausibility. While feed-forward reconstruction excels in efficiency and input alignment, it often lacks the global priors needed for structural completeness. Conversely, diffusion-based generation provides rich geometric details but struggles with multi-view consistency. We present UniRecGen, a unified framework that integrates these two paradigms into a single cooperative system. To overcome inherent conflicts in coordinate spaces, 3D representations, and training objectives, we align both models within a shared canonical space. We employ disentangled cooperative learning, which maintains stable training while enabling seamless collaboration during inference. Specifically, the reconstruction module is adapted to provide canonical geometric anchors, while the diffusion generator leverages latent-augmented conditioning to refine and complete the geometric structure. Experimental results demonstrate that UniRecGen achieves superior fidelity and robustness, outperforming existing methods in creating complete and consistent 3D models from sparse observations. Code is available at https://github.com/zsh523/UniRecGen.
• Abstract（参考訳）: スパースビュー3Dモデリングは、再構成の忠実度と生成的妥当性の基本的な緊張関係を表す。 フィードフォワードの再構築は効率と入力アライメントが優れているが、構造的完全性に必要なグローバルな事前条件が欠けていることが多い。 逆に拡散に基づく生成は、リッチな幾何学的詳細を提供するが、多視点一貫性に苦しむ。 この2つのパラダイムを単一の協調システムに統合する統合フレームワークであるUniRecGenを提案する。 座標空間, 3次元表現, および訓練対象における固有の矛盾を克服するため, 両モデルを共有正準空間内に配置する。 我々は、推論中にシームレスな協調を可能にするとともに、安定したトレーニングを維持できる非絡み合い協調学習を採用している。 特に、再構成モジュールは標準幾何アンカーを提供するように適合し、拡散発生器は遅延増強条件を利用して幾何学構造を洗練・完成する。 実験により、UniRecGenは、スパース観測から完全で一貫した3次元モデルを作成する既存の手法よりも優れた忠実さと堅牢性を達成することが示された。 コードはhttps://github.com/zsh523/UniRecGenで入手できる。

関連論文リスト

• Interact3D: Compositional 3D Generation of Interactive Objects [31.12099147294145]
  本稿では,3次元合成オブジェクト間の相互作用を物理的に妥当に生成する新しいフレームワークを提案する。 当社のアプローチは、まず先進的な先進的な先進的手法を活用して、高品質な個人資産をキュレートする。 これらの資産を物理的に構成するために、ロバストな2段階合成パイプラインを導入する。
  論文  参考訳（メタデータ） (2026-03-17T03:21:06Z)
• RAYNOVA: Scale-Temporal Autoregressive World Modeling in Ray Space [51.441415833480505]
  RAYNOVAは、二重因果自己回帰フレームワークを使用するシナリオを駆動するための多視点世界モデルである。 相対的なシャーカー線位置符号化に基づいて、ビュー、フレーム、スケールにまたがる等方的時間的表現を構築する。
  論文  参考訳（メタデータ） (2026-02-24T08:41:40Z)
• Joint Geometry-Appearance Human Reconstruction in a Unified Latent Space via Bridge Diffusion [57.09673862519791]
  本稿では,幾何学と外観のモデリングを結合潜在表現に統一する新しいフレームワークである textbfJGA-LBD を紹介する。 実験により、JGA-LBDは、幾何学的忠実度と外観品質の両方の観点から、現在の最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-01T12:48:56Z)
• ReconViaGen: Towards Accurate Multi-view 3D Object Reconstruction via Generation [28.308731720451053]
  我々はReconViaGenを提案する。 我々のReconViaGenは、グローバルな構造と局所的な詳細の両方において、入力ビューと整合した完全かつ正確な3Dモデルを再構築できることを実証した。
  論文  参考訳（メタデータ） (2025-10-27T13:15:06Z)
• From One to More: Contextual Part Latents for 3D Generation [38.36190651170286]
  CoPartは、コヒーレントなマルチパーツ生成のために、3Dオブジェクトをコンテキスト部分潜在子に分解する、部分認識拡散フレームワークである。 そこで我々は,メッシュセグメンテーションと人間検証アノテーションから得られた新しい3次元部分データセットを構築した。 実験では、パートレベルの編集、オブジェクト生成、シーン構成において、前例のない制御性を持つCoPartの優れた能力を実証した。
  論文  参考訳（メタデータ） (2025-07-11T17:33:18Z)
• GTR: Gaussian Splatting Tracking and Reconstruction of Unknown Objects Based on Appearance and Geometric Complexity [49.31257173003408]
  モノクローナルRGBDビデオからの6-DoFオブジェクト追跡と高品質な3D再構成のための新しい手法を提案する。 提案手法は, 高忠実度オブジェクトメッシュを復元する強力な能力を示し, オープンワールド環境における単一センサ3D再構成のための新しい標準を策定する。
  論文  参考訳（メタデータ） (2025-05-17T08:46:29Z)
• PRISM: Probabilistic Representation for Integrated Shape Modeling and Generation [79.46526296655776]
  PRISMは、カテゴリー拡散モデルと統計的形状モデル(SSM)とガウス混合モデル(GMM)を統合した3次元形状生成の新しいアプローチである 本手法では,構成SSMを用いて部分レベルの幾何学的変動をキャプチャし,GMMを用いて連続空間における部分意味を表現する。 提案手法は,パートレベルの操作の品質と制御性の両方において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-06T11:48:08Z)
• Evolving High-Quality Rendering and Reconstruction in a Unified Framework with Contribution-Adaptive Regularization [27.509109317973817]
  3D Gaussian Splatting (3DGS)は、高品質なレンダリングと高速な推論速度で注目されている。 従来の手法は主に幾何学的正則化に焦点を当てており、プリミティブベースのフレームワークやデュアルモデルフレームワークを含む一般的なアプローチがある。 本稿では,高画質表面再構成を実現するために,適応正規化を利用した統一モデルであるCarGSを提案する。
  論文  参考訳（メタデータ） (2025-03-02T12:51:38Z)
• JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling [62.77347895550087]
  JADEは人体形状の変化を微粒化制御で学習する生成フレームワークである。 私たちの重要な洞察は、人体を骨格構造に分解する共同認識の潜伏表現です。 提案した分解条件下でのコヒーレントで可塑性な人体形状を生成するため,カスケードパイプラインも提案する。
  論文  参考訳（メタデータ） (2024-12-29T14:18:35Z)

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。