論文の概要: Efficient 3D Content Reconstruction and Generation

• arxiv url: http://arxiv.org/abs/2605.18052v1
• Date: Mon, 18 May 2026 08:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.191201
• Title: Efficient 3D Content Reconstruction and Generation
• Title（参考訳）: 効率的な3次元コンテンツ再構成と生成
• Authors: Jiahao Li,
• Abstract要約: マルチビュー拡散とフィードフォワードスパース3D再構成を組み合わせることで,5～20秒で高品質な資産を創出するInstant3Dを紹介する。 私はFastMapを開発しています。これは、従来の最先端よりも最大10倍のスピードアップを実現します。
• 参考スコア（独自算出の注目度）: 5.8565664251165375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic 3D content creation seeks to replace labor-intensive modeling and scanning pipelines with systems that can synthesize or recover 3D assets directly from text or images. Its applications span video games, virtual reality, robotics, and simulation, enabling rapid asset prototyping, diverse interactive world generation, and efficient 3D data collection for training foundation models. Contemporary solutions largely follow two complementary paradigms: (i) text- or image-to-3D generation, which learns priors over 3D geometry and appearance to create novel assets from natural language or a single view image; and (ii) 3D reconstruction, which estimates camera poses and geometry from RGB images. This thesis advances both directions. On the generation side, I introduce Instant3D, which combines multi-view diffusion with feed-forward sparse-view 3D reconstruction to produce high-quality assets in 5-20 seconds. On the reconstruction side, I develop FastMap, a structure-from-motion pipeline that achieves up to 10x speedup over prior state-of-the-art by using first-order optimization with fused GPU kernels extensively, while maintaining comparable pose accuracy and downstream novel view synthesis quality.
• Abstract（参考訳）: 自動3Dコンテンツ作成は、労働集約的なモデリングとスキャンパイプラインを、テキストや画像から直接3D資産を合成または回収できるシステムに置き換えようとしている。 その用途は、ビデオゲーム、仮想現実、ロボット工学、シミュレーションに及び、迅速な資産プロトタイピング、多様なインタラクティブな世界生成、基礎モデルのトレーニングのための効率的な3Dデータ収集を可能にする。 現代の解は、主に2つの相補的パラダイムに従う。 一 自然言語又は一視点画像から新しい資産を作成するために、3次元幾何学及び外観の先行を学習するテキスト又は画像から3D生成 (II)RGB画像からカメラのポーズと幾何学を推定する3D再構成。 この論文は両方の方向を推し進める。 生成側では、マルチビュー拡散とフィードフォワードスパース3D再構成を組み合わせて、5～20秒で高品質な資産を生成するInstant3Dを紹介します。 再構成の面では、FastMapを開発した。これは、従来の最先端技術よりも最大10倍のスピードアップを実現し、融合GPUカーネルによる一階最適化を広範囲に利用し、同等のポーズ精度とダウンストリームの新規ビュー合成品質を維持しながら、その性能を向上する。

関連論文リスト

• Self-Evolving 3D Scene Generation from a Single Image [44.87957263540352]
  EvoSceneはトレーニング不要のフレームワークで、単一の画像から完全な3Dシーンを徐々に再構築する。 EvoSceneは2Dドメインと3Dドメインを交互に交換し、構造と外観の両方を徐々に改善する。
  論文  参考訳（メタデータ） (2025-12-09T18:44:21Z)
• Constructing a 3D Scene from a Single Image [31.11317559252235]
  SceneFuse-3Dは、単一のトップダウンビューからコヒーレントな3Dシーンを合成するために設計されたトレーニング不要のフレームワークである。 入力画像を重なり合う領域に分解し、事前訓練された3Dオブジェクトジェネレータを用いてそれぞれを生成する。 このモジュラー設計により、3次元の監督や微調整を必要とせず、解像度のボトルネックを克服し、空間構造を維持できる。
  論文  参考訳（メタデータ） (2025-05-21T17:10:47Z)
• Magic-Boost: Boost 3D Generation with Multi-View Conditioned Diffusion [101.15628083270224]
  本稿では,高忠実度新鮮映像を合成する多視点拡散モデルを提案する。 次に,得られた粗い結果を精査するための厳密なガイダンスを提供するために,新しい反復更新戦略を導入する。 実験の結果、Magic-Boostは粗いインプットを大幅に強化し、リッチな幾何学的およびテクスチュラルな詳細を持つ高品質な3Dアセットを生成する。
  論文  参考訳（メタデータ） (2024-04-09T16:20:03Z)
• IM-3D: Iterative Multiview Diffusion and Reconstruction for High-Quality 3D Generation [96.32684334038278]
  本稿では,テキスト・ツー・3Dモデルの設計空間について検討する。 画像生成装置の代わりに映像を考慮し、マルチビュー生成を大幅に改善する。 IM-3Dは,2次元ジェネレータネットワーク10-100xの評価回数を削減する。
  論文  参考訳（メタデータ） (2024-02-13T18:59:51Z)
• Guide3D: Create 3D Avatars from Text and Image Guidance [55.71306021041785]
  Guide3Dは拡散モデルに基づく3Dアバター生成のためのテキスト・画像誘導生成モデルである。 我々のフレームワークは、トポロジカルかつ構造的に正しい幾何と高分解能なテクスチャを生成する。
  論文  参考訳（メタデータ） (2023-08-18T17:55:47Z)
• GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images [72.15855070133425]
  本稿では,複雑なトポロジ,リッチな幾何学的ディテール,高忠実度テクスチャを備えたExplicit Textured 3Dメッシュを直接生成する生成モデルであるGET3Dを紹介する。 GET3Dは、車、椅子、動物、バイク、人間キャラクターから建物まで、高品質な3Dテクスチャメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-09-22T17:16:19Z)
• 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。