論文の概要: HairLRM: Strand-based Hair Modeling via Large Reconstruction Models

• arxiv url: http://arxiv.org/abs/2606.15238v1
• Date: Sat, 13 Jun 2026 10:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.144405
• Title: HairLRM: Strand-based Hair Modeling via Large Reconstruction Models
• Title（参考訳）: HairLRM:大規模再構成モデルによるストランドベースヘアモデリング
• Authors: Yuefan Shen, Yican Dong, Xiufeng Huang, Zhongtian Zheng, Youyi Zheng, Kui Wu,
• Abstract要約: 従来のストランドベースモデリングでは、構造的な制約なしに2次元画像から複雑な3Dフィールドを解決できない。 我々は、粗い幾何を高忠実度ストランドに持ち上げるために、新しいデュアルオリエンテーションオートエンコーダを用いる。 提案手法は, 複雑なトポロジ構造を効果的に解体し, 毛髪復元におけるロバスト性および精度のベンチマークを新たに設定する。
• 参考スコア（独自算出の注目度）: 22.431721687254534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fundamental limitation of traditional strand-based modeling is not simply data scarcity, but the ill-posedness of inferring complex 3D fields from 2D imagery without structural constraints. This unconstrained regression leads to catastrophic failures in resolving both global occlusion (e.g., in ponytails) and local directionality (e.g., in curls), resulting in over-smoothed, plausible-but-incorrect geometries. To resolve this, we integrate the strong geometric priors of Large Reconstruction Models (LRMs) into the strand generation pipeline. Using the LRM mesh as a structural anchor, we employ a novel Dual Orientation AutoEncoder to lift coarse geometry into high-fidelity strands. By resolving vector field singularities through latent-space optimization and surface-guided refinement, our method effectively disentangles complex topological structures, setting a new benchmark for robustness and accuracy in hair reconstruction.
• Abstract（参考訳）: 従来のストランドモデルの基本的限界は単にデータ不足ではなく、構造的制約のない2次元画像から複雑な3次元場を推定する不適切さである。 この制約のない回帰は、大域的閉塞(例えばポニーテール)と局所的指向性(例えばカール)の両方を解消する破滅的な失敗をもたらす。 これを解決するために,Large Restruction Models (LRMs) の強力な幾何学的先行概念をストランド生成パイプラインに統合する。 LRMメッシュを構造的アンカーとして使用し、新しいデュアルオリエンテーションオートエンコーダを用いて、粗い幾何を高忠実なストランドに持ち上げる。 遅延空間最適化と表面誘導処理によるベクトル場特異点の解法により, 複素位相構造を効果的に解き, 毛髪復元における頑健さと精度の新たなベンチマークを設定した。

関連論文リスト

• Attention-Guided Flow-Matching for Sparse 3D Geological Generation [7.734651455015875]
  3D-GeoFlowは、スパースマルチモーダルな地質モデリングに適した最初のアテンションガイド型連続フローマッチングフレームワークである。 離散カテゴリー生成をシミュレーションのない連続ベクトル場回帰として再構成することにより、安定な決定論的最適輸送経路を確立する。 この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。
  論文  参考訳（メタデータ） (2026-04-07T07:02:53Z)
• GeoFusionLRM: Geometry-Aware Self-Correction for Consistent 3D Reconstruction [27.169882738788257]
  大規模な再構成モデル(LRM)を用いた単一画像の3D再構成は急速に進んでいるが、幾何的不整合がしばしば現れ、忠実さを制限している。 構造精度を向上させるために,モデル自身の正規および深度予測を利用する幾何学的自己補正フレームワークであるGeoFusionLRMを紹介する。
  論文  参考訳（メタデータ） (2026-02-15T12:39:04Z)
• MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes [20.601722393809244]
  複雑な都市環境における効率的で堅牢な復興のための新しいフレームワークであるMetroGSを紹介する。 本手法は,分散2次元ガウススプラッティング表現を基本基盤として構築する。 大規模な都市データセットの実験により、MetroGSはより優れた幾何学的精度、レンダリング品質を達成することが示された。
  論文  参考訳（メタデータ） (2025-11-24T14:34:19Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion [31.34032485865941]
  分散学習問題として,ポイントワイズ変換の回帰を再構成する新しいフレームワークであるSimbaを紹介する。 提案手法は, 対称性の先行と拡散モデルの強力な生成能力を統合し, インスタンス固有の記憶を避ける。
  論文  参考訳（メタデータ） (2025-11-20T09:02:42Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。