論文の概要: A Semi-Automated Framework for 3D Reconstruction of Medieval Manuscript Miniatures

• arxiv url: http://arxiv.org/abs/2604.08610v1
• Date: Wed, 08 Apr 2026 22:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.487006
• Title: A Semi-Automated Framework for 3D Reconstruction of Medieval Manuscript Miniatures
• Title（参考訳）: 中世写本の3次元再構成のための半自動フレームワーク
• Authors: Riccardo Pallotto, Pierluigi Feliciati, Tiberio Uricchio,
• Abstract要約: 我々は2つのミニチュアを中世の写本から拡張現実(XR)、触覚3Dプリンティング、Webベースの可視化に適した3次元デジタルモデルに変換する。 レンダリング指標を用いて,69まぬ図形の画像から3Dまでの7つの手法を2つのコレクションから評価した。 結果として得られるモデルは、芸術的伝統を越えて適用性をサポートすることができる。
• 参考スコア（独自算出の注目度）: 1.9881456274482427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a semi-automated framework for transforming two-dimensional miniatures from medieval manuscripts into three-dimensional digital models suitable for extended reality (XR), tactile 3D~printing, and web-based visualization. We evaluate seven image-to-3D methods (TripoSR, SF3D, SPAR3D, TRELLIS, Wonder3D, SAM~3D, Hi3DGen) on 69~manuscript figures from two collections using rendering-based metrics (Silhouette IoU, LPIPS, CLIP~Score) and volumetric measures (Depth Range Ratio, watertight percentage), revealing a trade-off between volumetric expansion and geometric fidelity. Hi3DGen balances topological quality with rich surface detail through its normal bridging approach, making it a good starting point for expert refinement. Our pipeline combines SAM segmentation, Hi3DGen mesh generation, expert refinement in ZBrush, and AI-assisted texturing. Two case studies on Gothic illuminations from the Decretum Gratiani (Vatican Library) and Renaissance miniatures by Giulio Clovio demonstrate applicability across artistic traditions. The resulting models can support WebXR visualization, AR overlay on physical manuscripts, and tactile 3D~prints for visually impaired users.
• Abstract（参考訳）: 本稿では,2次元のミニチュアを中世の写本から拡張現実(XR),触覚3D—印刷,Webベースの可視化に適した3次元デジタルモデルに変換するための半自動フレームワークを提案する。 レンダリングベースメトリクス(Silhouette IoU, LPIPS, CLIP~Score)とボリューム測定(Depth Range Ratio, Watertight percentage)を用いて,69～manuscript の図形に対して,TripoSR, SF3D, SPAR3D, TRELLIS, Wonder3D, SAM~3D, Hi3DGen)の評価を行い,体積展開と幾何学的忠実性のトレードオフを明らかにした。 Hi3DGenは、通常のブリッジングアプローチを通じて、トポロジカルな品質とリッチな表面のディテールのバランスをとる。 我々のパイプラインはSAMセグメンテーション、Hi3DGenメッシュ生成、ZBrushのエキスパートリファインメント、AI支援テクスチャを組み合わせる。 ジュリオ・クロヴィオによるデクレトゥム・グラティアーニ(ヴァチカン図書館)とルネサンスのミニチュアによるゴシック照明に関する2つのケーススタディは、芸術的伝統を越えて適用可能であることを示した。 結果として得られたモデルは、WebXR視覚化、物理的な原稿へのARオーバーレイ、視覚障害者のための触覚3D~プリントをサポートすることができる。

関連論文リスト

• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• FAMOUS: High-Fidelity Monocular 3D Human Digitization Using View Synthesis [51.193297565630886]
  テクスチャを正確に推測することの難しさは、特に正面視画像の人物の背中のような不明瞭な領域に残る。 このテクスチャ予測の制限は、大規模で多様な3Dデータセットの不足に起因する。 本稿では,3次元デジタル化におけるテクスチャと形状予測の両立を図るために,広範囲な2次元ファッションデータセットを活用することを提案する。
  論文  参考訳（メタデータ） (2024-10-13T01:25:05Z)
• 3DStyle-Diffusion: Pursuing Fine-grained Text-driven 3D Stylization with 2D Diffusion Models [102.75875255071246]
  テキスト駆動型スタイリングによる3Dコンテンツ作成は、マルチメディアとグラフィックコミュニティにとって根本的な課題となっている。 2次元拡散モデルから制御可能な外観と幾何学的ガイダンスを付加した3次元メッシュのきめ細かいスタイリングをトリガーする新しい3DStyle-Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-09T15:51:27Z)
• Efficient 3D Articulated Human Generation with Layered Surface Volumes [131.3802971483426]
  我々は,デジタル人間のための新しい3次元オブジェクト表現として,層状表面体積(LSV)を導入する。 LSVは、従来のテンプレートの周囲の複数のテクスチャ層を使用して人体を表現する。 2Dジェネレータは個々のレイヤのRGBAテクスチャを合成することを学ぶ。
  論文  参考訳（メタデータ） (2023-07-11T17:50:02Z)
• Structured 3D Features for Reconstructing Controllable Avatars [43.36074729431982]
  パラメトリックな統計的メッシュ表面からサンプリングされた高密度な3次元点に画素整列画像特徴をプールする,新しい暗黙の3次元表現に基づくモデルであるStructured 3D Featuresを紹介する。 本研究では,S3Fモデルがモノクロ3D再構成やアルベド,シェーディング推定など,これまでの課題を超越していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T18:57:33Z)
• Towards Realistic 3D Embedding via View Alignment [53.89445873577063]
  本稿では,3次元モデルを2次元背景画像に現実的に,かつ自動的に埋め込み,新たな画像を構成する,革新的なビューアライメントGAN(VA-GAN)を提案する。 VA-GANはテクスチャジェネレータとディファレンシャルディスクリミネーターで構成され、相互接続され、エンドツーエンドのトレーニングが可能である。
  論文  参考訳（メタデータ） (2020-07-14T14:45:00Z)

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。