論文の概要: DecoRec: Decomposed 3D Scene Reconstruction from Single-View Images via Object-Level Diffusion

• arxiv url: http://arxiv.org/abs/2605.16807v1
• Date: Sat, 16 May 2026 04:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.096488
• Title: DecoRec: Decomposed 3D Scene Reconstruction from Single-View Images via Object-Level Diffusion
• Title（参考訳）: DecoRec: オブジェクトレベル拡散による単視点画像からの3次元シーン再構成
• Authors: Yuhan Ping, Yuan Liu, Xiaoxiao Long, Peng Wang, Junhui Hou, Jianyi Zheng, Jia Pan, Xin Li, Cheng Lin,
• Abstract要約: textitDecoRecは、単一のビュー2D画像を分解された3Dシーンメッシュに高めるように設計されたシステムである。 以上の結果から,DecoRecはジオメトリと新規合成の両面において,高品質なワンビューシーン再構築を促進することが示唆された。
• 参考スコア（独自算出の注目度）: 65.65756111062005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce \textit{DecoRec}, a novel system designed to elevate single-view 2D images to a decomposed 3D scene mesh. Current methods for single-view scene reconstruction typically rely on object retrieval or the regression of coarse 3D voxels or surfaces, leading to inaccuracies in capturing the appearance and geometry of the input image. The lack of high-quality large-scale scene-level datasets further complicates direct 3D scene generation from single-view images. To achieve high-quality 3D scene generation from a single-view image, DecoRec takes advantage of recent diffusion-based single-view object reconstruction methods to reconstruct individual objects separately. Subsequently, a refinement pipeline is proposed to effectively merge these reconstructed objects, enhancing appearance and geometry through a differentiable rendering technique and diffusion-guided refinement. Our results demonstrate that DecoRec facilitates high-quality single-view scene reconstruction in both geometry and novel synthesis, offering significant benefits for downstream applications like room interior design.
• Abstract（参考訳）: 本稿では,分割された3Dシーンメッシュに対して,単一ビュー2D画像の高精細化を図った新しいシステムである「textit{DecoRec}」を紹介する。 シングルビューシーン再構築の現在の手法は、通常、オブジェクトの検索や粗い3Dボクセルや表面の回帰に依存しており、入力画像の外観や形状を捉えるのに不正確である。 高品質な大規模シーンレベルのデータセットの欠如により、シングルビュー画像から直接の3Dシーン生成はさらに複雑になる。 単一視点画像から高品質な3Dシーンを生成するために、DecoRecは最近の拡散型単一視点オブジェクト再構成手法を利用して、個別のオブジェクトを別々に再構成する。 その後、これらの再構成されたオブジェクトを効果的にマージし、異なるレンダリング技術と拡散誘導精製により外観と形状を向上する改良パイプラインが提案されている。 以上の結果から,DecoRecは幾何学と新規合成の両面において高品質な単一視点シーン再構築を容易にし,室内設計などの下流アプリケーションに多大な効果をもたらすことが示された。

関連論文リスト

• NOVA3R: Non-pixel-aligned Visual Transformer for Amodal 3D Reconstruction [99.52487968452198]
  NOVA3Rは、フィードフォワード方式で、未提示画像の集合から非画素アラインな3D再構成に有効なアプローチである。 重なり合う領域における重複構造の少ない物理的に可算な幾何学を生成する。 復元精度と完全性の観点から、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2026-03-04T15:36:25Z)
• UniVerse: Unleashing the Scene Prior of Video Diffusion Models for Robust Radiance Field Reconstruction [73.29048162438797]
  ビデオ拡散モデルに基づくロバストな再構築のための統一フレームワークUniVerseを紹介する。 具体的には、UniVerseはまず、一貫性のない画像を最初のビデオに変換し、その後、特別に設計されたビデオ拡散モデルを使って、それらを一貫したイメージに復元する。 合成と実世界の両方のデータセットを用いた実験は,頑健な再構築において,我々の手法の強い一般化能力と優れた性能を示す。
  論文  参考訳（メタデータ） (2025-10-02T04:50:18Z)
• ExScene: Free-View 3D Scene Reconstruction with Gaussian Splatting from a Single Image [4.366356163044466]
  既存の方法は、単一視点からの視野が狭い低一貫性の3Dシーンを再構成するためにしばしば制限される。 任意の単視点画像から没入型3Dシーンを再構成する2段階パイプラインであるExSceneを提案する。 ExSceneは単一ビュー入力のみを使用して一貫した没入的なシーン再構築を実現する。
  論文  参考訳（メタデータ） (2025-03-31T09:33:22Z)
• Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
  Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。 ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。 クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
  論文  参考訳（メタデータ） (2024-05-27T07:10:21Z)
• 3DFIRES: Few Image 3D REconstruction for Scenes with Hidden Surface [8.824340350342512]
  3DFIRESは、ポーズ画像からシーンレベルの3D再構成を行う新しいシステムである。 単一視点再構成法の有効性を1つの入力で示す。
  論文  参考訳（メタデータ） (2024-03-13T17:59:50Z)
• Single-view 3D Scene Reconstruction with High-fidelity Shape and Texture [47.44029968307207]
  本研究では,物体の形状とテクスチャを同時に高忠実度に再現する新しい枠組みを提案する。 提案手法は,SSR(Single-view Neural implicit Shape and Radiance Field)表現を用いて,明示的な3次元形状制御とボリュームレンダリングの両方を活用する。 我々のフレームワークの特徴は、単一のビュー3D再構成モデルにレンダリング機能をシームレスに統合しながら、きめ細かいテクスチャメッシュを生成する能力である。
  論文  参考訳（メタデータ） (2023-11-01T11:46:15Z)
• High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
  フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。 提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:52Z)

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。