論文の概要: Thinking in Boxes: 3D Editing in Real Images Made Easy

• arxiv url: http://arxiv.org/abs/2606.20556v1
• Date: Thu, 18 Jun 2026 17:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:40.052504
• Title: Thinking in Boxes: 3D Editing in Real Images Made Easy
• Title（参考訳）: 箱で考える:3D編集をリアルな画像で簡単に
• Authors: Pradhaan S Bhat, Naveen Chandra R, Rishubh Parihar, Vaibhav Vavilala, R. Venkatesh Babu, D. A. Forsyth, Anand Bhattad,
• Abstract要約: テキストと2Dコンディショニングインタフェースは、画像編集における空間変換に対する弱くあいまいな制御を提供する。 構造化された仕様として3Dボックスを使用し、実際の画像の翻訳、回転、スケーリング、視点変化を正確に制御する。 提案手法は, 実際の写真を直接操作し, 大規模3D編集における最近の最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 26.947149346129535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text and 2D-conditioning interfaces provide weak, ambiguous control over spatial transformations in image editing -- particularly under large object motions and camera changes. Prior work has used 3D primitives such as boxes, but only as loose conditioning signals indicating approximate object location rather than specifying the transformation. We instead use 3D boxes as structured specifications: the user provides the input and output boxes of the edit, casting editing as a well-posed geometry problem. This ``thinking in boxes'' interface, where each box face is color-coded to convey 3D orientation, gives precise control over translation, rotation, scaling, and viewpoint changes in real images while preserving scene and object identity, and recovering previously unseen object regions. To ground transformations in scene appearance, we introduce a depth-aligned planar floor as a global reference frame, shaded with depth-aware cues. Conditioned on this structure, an image generator produces consistent results under large transformations. Trained in two stages -- on synthetic multi-object scenes and a small set of real-world videos from Objectron -- the system generalizes to complex, in-the-wild real images. Our method operates directly on real photographs and substantially outperforms recent state-of-the-art methods on large 3D edits.
• Abstract（参考訳）: テキストと2Dコンディショニングインターフェースは、画像編集における空間変換を弱くあいまいに制御する。 以前の作業では、ボックスのような3Dプリミティブを使用していたが、変換を指定せずに、近似オブジェクトの位置を示す緩やかな条件付け信号としてのみ使用されていた。 その代わりに、構造化された仕様として3Dボックスを使用し、ユーザは編集の入出力ボックスを提供し、編集を適切に配置された幾何学的問題としてキャストする。 この 'thinking in box'' インターフェースでは、各ボックスの顔がカラーコードされて3Dの向きを伝達し、シーンとオブジェクトの同一性を保ちながら、実際の画像の翻訳、回転、スケーリング、視点の変化を正確に制御し、これまで見られなかったオブジェクト領域を復元する。 シーンの外観変化に際し,世界的参照フレームとして奥行きを考慮した平面床を導入する。 この構造を条件に、画像生成装置は、大きな変換の下で一貫した結果を生成する。 合成マルチオブジェクトシーンとObjectronの小さな実世界のビデオの2つのステージで訓練されたこのシステムは、複雑な実際の画像に一般化する。 提案手法は, 実際の写真を直接操作し, 大規模3D編集における最近の最先端の手法を著しく上回っている。

関連論文リスト

• VGGT-Edit: Feed-forward Native 3D Scene Editing with Residual Field Prediction [59.303842406260124]
  VGGT-Editはテキスト条件のネイティブ3Dシーン編集のためのフィードフォワードフレームワークである。 本研究では,奥行き同期テキストインジェクションを導入し,意味的指導をバックボーンの空間的ポーズと整合させる。 VGGT-Editは2Dリフトベースラインを大幅に上回り、よりシャープなオブジェクトの詳細、より強力なマルチビュー一貫性、ほぼインスタントな推論速度を生み出している。
  論文  参考訳（メタデータ） (2026-05-14T17:59:04Z)
• Ctrl&Shift: High-Quality Geometry-Aware Object Manipulation in Visual Generation [34.92056161129864]
  Ctrl&Shiftは3次元表現を明示せずに幾何一貫性のあるオブジェクト操作を実現するためのエンドツーエンド拡散フレームワークである。 我々の重要な洞察は、操作を2つの段階に分解することであり、オブジェクトの除去と、明示的なカメラポーズ制御の下での参照誘導塗装、および両者を統合拡散プロセス内にエンコードすることである。 我々の知る限り、これは、明示的な3Dモデリングに頼ることなく、きめ細かい幾何学的制御とオブジェクト操作の現実世界の一般化を統一する最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-02-11T23:36:30Z)
• Free-Form Scene Editor: Enabling Multi-Round Object Manipulation like in a 3D Engine [83.0145525456509]
  実世界の画像に対して直感的で物理的に一貫性のあるオブジェクト編集を可能にする3D対応フレームワークであるFFSEを提案する。 画像空間で動作したり、遅くてエラーを起こしやすい3D再構成を必要とする従来のアプローチとは異なり、FFSEは学習された3D変換のシーケンスとして編集する。 マルチラウンド3Dオブジェクト操作の学習を支援するために,3DObjectEditorを導入する。
  論文  参考訳（メタデータ） (2025-11-17T18:57:39Z)
• Sketch3DVE: Sketch-based 3D-Aware Scene Video Editing [41.74354582607005]
  ビデオ中の3Dシーンの構造的内容の編集は依然として難しい。 主な課題は、オリジナルのビデオと一貫性のある新しいビューコンテンツの生成だ。 スケッチに基づく3次元映像編集手法であるSketch3DVEを提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:57:31Z)
• 2D Instance Editing in 3D Space [39.53225056350435]
  本稿では,2次元画像編集のための新しい「2D-3D-2D」フレームワークを提案する。 我々のアプローチは、2Dオブジェクトを3D表現に引き上げることから始まり、物理的に可塑性で剛性に制約された3D環境内での編集を可能にする。 DragGANやDragDiffusionのような既存の2D編集手法とは対照的に,本手法は3D環境において直接オブジェクトを操作できる。
  論文  参考訳（メタデータ） (2025-07-08T09:38:39Z)
• Mastering Regional 3DGS: Locating, Initializing, and Editing with Diverse 2D Priors [67.22744959435708]
  3Dセマンティックパーシングは2Dに比べて性能が劣ることが多く、3D空間内でのターゲット操作がより困難になり、編集の忠実さが制限される。 本稿では,2次元拡散編集を利用して各ビューの修正領域を正確に同定し,次に3次元ローカライゼーションのための逆レンダリングを行う。 実験により,提案手法は最新技術の性能を実現し,最大4倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2025-07-07T19:15:43Z)
• PrEditor3D: Fast and Precise 3D Shape Editing [100.09112677669376]
  本稿では,1つの形状の編集を数分以内に行うことができる3D編集のためのトレーニングフリーアプローチを提案する。 編集された3Dメッシュはプロンプトとよく一致しており、変更を意図していない領域でも同じである。
  論文  参考訳（メタデータ） (2024-12-09T15:44:47Z)
• DGE: Direct Gaussian 3D Editing by Consistent Multi-view Editing [72.54566271694654]
  オープンな言語命令に基づいて3Dオブジェクトやシーンを編集する際の問題点を考察する。 この問題に対する一般的なアプローチは、3D編集プロセスをガイドするために2Dイメージジェネレータまたはエディタを使用することである。 このプロセスは、コストのかかる3D表現の反復的な更新を必要とするため、しばしば非効率である。
  論文  参考訳（メタデータ） (2024-04-29T17:59:30Z)
• Image Sculpting: Precise Object Editing with 3D Geometry Control [33.9777412846583]
  Image Sculptingは、3D幾何学とグラフィックスのツールを組み込むことで、2D画像を編集する新しいフレームワークである。 これは、ポーズ編集、回転、翻訳、3D合成、彫刻、シリアル追加といった、正確で定量化され、物理的に証明可能な編集オプションをサポートする。
  論文  参考訳（メタデータ） (2024-01-02T18:59:35Z)

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。