論文の概要: Reconstruction of a 3D wireframe from a single line drawing via generative depth estimation

• arxiv url: http://arxiv.org/abs/2604.13549v1
• Date: Wed, 15 Apr 2026 06:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.422951
• Title: Reconstruction of a 3D wireframe from a single line drawing via generative depth estimation
• Title（参考訳）: 生成深度推定による単線描画からの3次元ワイヤフレームの再構成
• Abstract要約: 2Dフリーハンドスケッチを3Dモデルに変換することは、コンピュータビジョンにおいて重要な課題である。 本研究では, 条件付き深度推定タスクとして, フレーミング再構成による生成手法を提案する。 我々は、100万以上の画像深度対の巨大なデータセットを使用して、我々のアプローチを訓練し、評価する。
• 参考スコア（独自算出の注目度）: 5.596217605600402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The conversion of 2D freehand sketches into 3D models remains a pivotal challenge in computer vision, bridging the gap between human creativity and digital fabrication. Traditional line drawing reconstruction relies on brittle symbolic logic, while modern approaches are constrained by rigid parametric modeling, limiting users to predefined CAD primitives. We propose a generative approach by framing reconstruction as a conditional dense depth estimation task. To achieve this, we implement a Latent Diffusion Model (LDM) with a ControlNet-style conditioning framework to resolve the inherent ambiguities of orthographic projections. To support an iterative "sketch-reconstruct-sketch" workflow, we introduce a graph-based BFS masking strategy to simulate partial depth cues. We train and evaluate our approach using a massive dataset of over one million image-depth pairs derived from the ABC Dataset. Our framework demonstrates robust performance across varying shape complexities, providing a scalable pipeline for converting sparse 2D line drawings into dense 3D representations, effectively allowing users to "draw in 3D" without the rigid constraints of traditional CAD.
• Abstract（参考訳）: 2Dのフリーハンドスケッチを3Dモデルに変換することは、コンピュータビジョンにおいて重要な課題であり、人間の創造性とデジタル製作のギャップを埋めている。 伝統的な線描再構成は脆い記号論理に依存し、現代のアプローチは厳密なパラメトリックモデリングによって制約され、ユーザーは事前に定義されたCADプリミティブに制限される。 本研究では, 条件付き深度推定タスクとして, フレーミング再構成による生成手法を提案する。 これを実現するために、直交射影の固有の曖昧さを解決するために、制御ネットスタイルの条件付けフレームワークを備えた潜在拡散モデル(LDM)を実装した。 反復的な「スケッチ・リコンストラクト・スケッチ」ワークフローをサポートするため、グラフベースのBFSマスキング戦略を導入し、部分深度をシミュレートする。 ABCデータセットから得られた100万以上の画像深度対の膨大なデータセットを用いて、我々のアプローチを訓練し、評価する。 筆者らのフレームワークは, 様々な形状の複雑度にまたがる堅牢な性能を示し, スパース2次元線描画を高密度な3次元表現に変換するためのスケーラブルなパイプラインを提供し, 従来のCADの厳密な制約を伴わずに, ユーザが「3Dで描画できる」。

関連論文リスト

• CGGT: Curve-Grounded Geometry Transformer for 3D Parametric Curve Reconstruction [31.822849244645525]
  画像空間内の3次元連続した2次元曲線を,スパースな多視点画像から抽出する曲面形状変換器を提案する。 提案手法は, 復元精度と効率性を両立させ, 大幅な改善を図っている。 CGGTは、合成データのみに訓練されているにもかかわらず、現実世界の画像に対してよく一般化されている。
  論文  参考訳（メタデータ） (2026-09-13T13:56:44Z)
• Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors [61.34273238077091]
  本稿では,物体の単一画像からオービタルビデオを生成する新しい手法を提案する。 本手法は,最先端の手法と比較して,視覚的品質,形状リアリズム,多視点整合性を実現している。
  論文  参考訳（メタデータ） (2026-04-14T05:35:46Z)
• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)
• A Controllable 3D Deepfake Generation Framework with Gaussian Splatting [6.969908558294805]
  本稿では,3次元ガウススプラッティングに基づく新しい3次元ディープフェイク生成フレームワークを提案する。 完全に制御可能な3D空間において、現実的でアイデンティティを保った顔スワッピングと再現を可能にする。 提案手法は3次元モデリングとディープフェイク合成のギャップを埋め、シーン認識、制御可能、没入型視覚的偽造の新しい方向を可能にする。
  論文  参考訳（メタデータ） (2025-09-15T06:34:17Z)
• From 2D CAD Drawings to 3D Parametric Models: A Vision-Language Approach [15.785592359384292]
  2次元CAD図面から3次元パラメトリックモデルを再構成するCAD2Programを提案する。 本稿では、2D CAD描画を元のフォーマットによらず画像として扱い、標準の ViT モデルで画像をエンコードする。 出力側では,本手法はテキスト形式で3次元パラメトリックモデルを記述する汎用言語を自動回帰予測する。
  論文  参考訳（メタデータ） (2024-12-16T15:41:14Z)
• GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
  本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。 提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
  論文  参考訳（メタデータ） (2024-05-17T07:31:20Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• Unsupervised Style-based Explicit 3D Face Reconstruction from Single Image [10.1205208477163]
  本研究では,Unsupervised 2D to Explicit 3D Style Transferを解くための一般的な逆学習フレームワークを提案する。 具体的には、Wuらによる教師なし明示的な3D再構成ネットワークと、StarGAN-v2というジェネレーティブ・アドバイザリ・ネットワーク(GAN)の2つのアーキテクチャを統合する。 提案手法は,DepthNetを3次元再構成で,Pix2NeRFを条件付き転送で,よく確立されたソリューションよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-24T21:25:06Z)
• SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth Sampling [75.957103837167]
  1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。 既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
  論文  参考訳（メタデータ） (2022-08-14T16:37:51Z)

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。