論文の概要: Boosting Zero-Shot 3D Style Transfer with 2D Pre-trained Priors

• arxiv url: http://arxiv.org/abs/2605.30065v1
• Date: Thu, 28 May 2026 15:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.419495
• Title: Boosting Zero-Shot 3D Style Transfer with 2D Pre-trained Priors
• Title（参考訳）: 2次元事前訓練によるゼロショット3次元移動の促進
• Authors: Xin Dong, Yunzhi Teng, Wenfeng Deng, Yansong Tang,
• Abstract要約: 任意のスタイル画像が与えられた3Dシーンの多視点一貫したスタイル化ビューを生成することができるゼロショット3Dスタイル転送に着目する。 私たちの中核となる考え方は、大規模な2D画像データセットで事前訓練されたデコーダを3Dスタイルの転送パイプラインに統合することです。
• 参考スコア（独自算出の注目度）: 35.47950709037777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we focus on zero-shot 3D style transfer that can generate multi-view consistent stylized views of the 3D scene given an arbitrary style image. We primarily tackle the issue of data scarcity in 3D style transfer, which arises when each model is trained on only a single scene, thereby limiting the number of available content images. This scarcity significantly hampers stylization performance, as model optimization relies on a sufficient number of content-style image pairs to provide supervisory signals. Our core idea is to integrate a decoder pre-trained on large-scale 2D image datasets into the 3D style transfer pipeline, thereby leveraging the prior knowledge encoded in the decoder from learning over numerous content-style image pairs. Our method combines feature Gaussian splatting and deferred stylization, enabling high-quality stylization with the data-sufficient decoder network while ensuring view consistency by unifying view-dependent operations into a view-invariant process. Experiments demonstrate that our Data-Sufficient StyleGaussian (DS-StyleGaussian) model outperforms existing zero-shot 3D style transfer methods in terms of visual quality across various datasets. This work also suggests that 2D pre-training can serve as a strong enhancement for 3D tasks, bridging the data gap between 2D and 3D.
• Abstract（参考訳）: 本研究では,任意のスタイル画像が与えられた3Dシーンの多視点一貫したスタイル化ビューを生成することができるゼロショット3Dスタイル転送に着目した。 我々は主に3Dスタイルの転送におけるデータ不足の問題に取り組む。これは、各モデルが単一のシーンでトレーニングされたときに起こり、利用可能なコンテンツ画像の数を制限する。 モデル最適化は、監督信号を提供するのに十分な数のコンテンツスタイルのイメージペアに依存しているため、この不足はスタイリング性能を著しく損なう。 我々の中核的な考え方は、大規模な2次元画像データセットで事前訓練されたデコーダを3Dスタイルの転送パイプラインに統合することであり、これによりデコーダに符号化された以前の知識を、多数のコンテンツスタイルの画像ペアを学習することから活用することである。 本手法は,ビュー依存操作をビュー不変プロセスに統一することで,ビュー一貫性を確保しつつ,データ満足度の高いデコーダネットワークと高品質なスタイラス化を実現する。 データ十分スタイルガウシアン(DS-StyleGaussian)モデルは、様々なデータセットの視覚的品質の観点から、既存のゼロショット3Dスタイル転送手法よりも優れていることを示す。 この研究は、2Dプリトレーニングが3Dタスクの強化に役立ち、2Dと3Dの間のデータギャップを埋めることも示唆している。

関連論文リスト

• SSGaussian: Semantic-Aware and Structure-Preserving 3D Style Transfer [57.723850794113055]
  本研究では,事前学習した2次元拡散モデルから事前知識を統合する新しい3次元移動パイプラインを提案する。 パイプラインは2つの重要なステージで構成されています。 2つ目は、スタイリングされたキービュー間のインスタンスレベルの一貫性を効果的に活用し、それを3D表現に転送する、インスタンスレベルのスタイル転送である。
  論文  参考訳（メタデータ） (2025-09-04T16:40:44Z)
• CLIPGaussian: Universal and Multimodal Style Transfer Based on Gaussian Splatting [4.597952319060107]
  私たちはCLIPGaussianを紹介した。CLIPGaussianは、複数のモダリティをまたいだテキストおよび画像誘導型スタイリングをサポートする最初の統一型スタイル転送フレームワークである。 本手法はガウスプリミティブを直接操作し,プラグインモジュールとして既存のGSパイプラインに統合する。 我々は,CLIPGaussianをマルチモーダルなスタイル転送のための汎用的で効率的な解として検証し,全てのタスクにおいて優れたスタイルの忠実さと一貫性を示す。
  論文  参考訳（メタデータ） (2025-05-28T20:41:24Z)
• Towards Multi-View Consistent Style Transfer with One-Step Diffusion via Vision Conditioning [12.43848969320173]
  提案手法により生成した異なる視点からのスティル化画像は、構造的整合性が良く、歪みも少ない、優れた視覚的品質を実現する。 本手法は,3次元情報のないスタイリング画像における構造情報と多視点整合性を効果的に保存する。
  論文  参考訳（メタデータ） (2024-11-15T12:02:07Z)
• StyleGaussian: Instant 3D Style Transfer with Gaussian Splatting [141.05924680451804]
  StyleGaussianは、新しい3Dスタイル転送技術である。 任意の画像のスタイルを毎秒10フレームの3Dシーンに即時転送できる(fps)。
  論文  参考訳（メタデータ） (2024-03-12T16:44:52Z)
• DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance Fields [68.94868475824575]
  本稿では,無限で高品質な3Dアノテーションを3Dポイントクラウドセグメンテーションとともに生成できる新しいアプローチを提案する。 我々は3次元生成モデルに先立って強力なセマンティクスを活用してセマンティクスデコーダを訓練する。 トレーニングが完了すると、デコーダは遅延空間を効率よく一般化し、無限のデータの生成を可能にする。
  論文  参考訳（メタデータ） (2023-11-18T21:58:28Z)
• 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)
• AgileGAN3D: Few-Shot 3D Portrait Stylization by Augmented Transfer Learning [80.67196184480754]
  本稿では,3次元芸術的に魅力的な肖像画を詳細な幾何学で作成できる新しいフレームワークであるemphAgileGAN3Dを提案する。 新しいスタイリゼーションは、わずか (約20) の未完成の2D例で得られる。 われわれのパイプラインは、ユーザの写真を多様な3Dアートのポートレートに変える強力な能力を示している。
  論文  参考訳（メタデータ） (2023-03-24T23:04:20Z)

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。