論文の概要: Cage-based Texture Transfer with Geometric Filtering
- arxiv url: http://arxiv.org/abs/2606.25220v1
- Date: Tue, 23 Jun 2026 22:34:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.163713
- Title: Cage-based Texture Transfer with Geometric Filtering
- Title（参考訳）: 幾何フィルタを用いたケージ型テクスチャ転送
- Abstract要約: 化粧品の非化粧ゾーン(NCZ)を同定する手法を提案する。
当社のフレームワークは,アーティファクトの抑制に成功し,コンシューマデバイスへの即時展開を実現しています。
- 参考スコア（独自算出の注目度）: 0.739819699731771
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-time texture transfer expands the creative horizon for interactive applications, enabling seamless detail projection in scenarios that range from digital character cosmetics to procedural automotive texturing. Yet, its practical application is governed by inherent trade-offs between processing speed and suppression of artifacts. Low-latency transfer methods frequently fail to suppress artifacts, and robust alternatives rely on large-scale models that are costly in training and memory. Our proposed method bridges the gap between efficiency and robustness by using a cage-based geometric filtering method to identify Non-Cosmetic Zones (NCZs) for artifact suppression. While other models are resource-intensive and require multiple days of training on manually annotated datasets, we are able to successfully suppress artifacts and achieve immediate deployment on consumer-grade hardware. Our framework achieved highly efficient runtimes of ~70ms on mobile devices for a ~4.8k triangle mesh.
- Abstract（参考訳）: リアルタイムテクスチャ転送はインタラクティブなアプリケーションのための創造的な地平を広げ、デジタルキャラクタの化粧品から手続き的な自動車のテクスチャに至るまで、シナリオにおけるシームレスな詳細なプロジェクションを可能にする。
しかし、その実践的応用は、処理速度とアーティファクトの抑制の間の本質的にのトレードオフによって支配されている。
低レイテンシ転送方式はしばしばアーティファクトの抑制に失敗し、堅牢な代替手段はトレーニングやメモリにコストがかかる大規模なモデルに依存している。
提案手法は, アーティファクト抑圧のための非宇宙ゾーン(NCZ)を特定するため, ケージを用いた幾何フィルタリング法を用いて, 効率と堅牢性のギャップを埋めるものである。
他のモデルはリソース集約的であり、手動で注釈付きデータセットで何日もトレーニングする必要があるが、アーティファクトをうまく抑制し、コンシューマグレードのハードウェアに即時にデプロイすることができる。
我々のフレームワークは、約4.8kのトライアングルメッシュでモバイルデバイス上で約70msの高効率なランタイムを実現した。
関連論文リスト
- Wavelet-Optimized Pseudo-3D Accelerated Diffusion Model for Truncated Computed Laminography [12.168086376276934]
フィールド・オブ・ビュー(FOV)の制限は、必然的に投影されたデータの切り離しにつながる。
既存のディープラーニング手法は厳密なデータ一貫性の制約に欠ける2Dアーキテクチャに依存している。
CLトランケーション再構成(CL-DM)のための新しいウェーブレット最適化擬似3D加速拡散モデルを提案する。
論文 参考訳（メタデータ） (2026-06-30T08:24:57Z) - Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。
この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。
非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2026-06-22T02:52:22Z) - GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。
シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。
シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
論文 参考訳（メタデータ） (2026-06-16T05:00:42Z) - DIAMOND: Directed Inference for Artifact Mitigation in Flow Matching Models [9.305906770890296]
DIAMONDは、推論中のアーティファクトを緩和するために軌道修正を適用する訓練不要の手法である。
生成軌道のすべてのステップでクリーンサンプルの見積を再構築することにより、DIAMONDは、人工物につながる潜在状態から生成プロセスを積極的に引き離す。
論文 参考訳（メタデータ） (2026-01-31T20:08:46Z) - Learning Deblurring Texture Prior from Unpaired Data with Diffusion Model [92.61216319417208]
画像の劣化に対する新しい拡散モデル(DM)に基づくフレームワークを提案する。
我々の研究は、ぼやけた画像のテクスチャを回復するのに役立つ事前知識を生成するために、DMを実行する。
生成したテクスチャをフル活用するために,テクスチャ転送変換層(TTformer)を提案する。
論文 参考訳（メタデータ） (2025-07-18T01:50:31Z) - Clip4Retrofit: Enabling Real-Time Image Labeling on Edge Devices via Cross-Architecture CLIP Distillation [1.5181915291533354]
Clip4Retrofitは、エッジデバイス上でリアルタイムな画像ラベリングを可能にする効率的なモデル蒸留フレームワークである。
このフレームワークは、数千台の車両に改造された費用対効果の高いエッジデバイスであるRetrofitカメラに展開されている。
この作業は、最先端のビジョン言語モデルとリソース制約された環境への展開のギャップを埋める。
論文 参考訳（メタデータ） (2025-05-23T15:42:52Z) - HOMER: Homography-Based Efficient Multi-view 3D Object Removal [25.832938786291358]
3Dオブジェクトの除去は、3Dシーン編集において重要なサブタスクであり、シーン理解、拡張現実、ロボット工学に広く応用されている。
既存の手法は、複数ビュー設定における一貫性、ユーザビリティ、計算効率の相違点を達成するのに苦労する。
マルチビューオブジェクトマスク生成とインペイントの質と効率を向上する新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2025-01-29T13:12:06Z) - OmniEraser: Remove Objects and Their Effects in Images with Paired Video-Frame Data [21.469971783624402]
本稿では,現実的な物体影と反射を伴う10万以上の高品質なサンプルからなる大規模データセットであるVideo4Removalを提案する。
ビデオフレームと市販のビジョンモデルからオブジェクト-バックグラウンドペアを構築することにより、データ取得の作業コストを大幅に削減することができる。
形状的なアーティファクトや意図しないコンテンツを生成するのを避けるために,Object-Background Guidanceを提案する。
我々は,オブジェクトマスクのみを入力として,オブジェクトとその視覚効果をシームレスに除去する新しい手法であるOmniEraserを提案する。
論文 参考訳（メタデータ） (2025-01-13T15:12:40Z) - MObI: Multimodal Object Inpainting Using Diffusion Models [52.07640413626605]
マルチモーダル・オブジェクト・インペイントのための新しいフレームワークであるMObIを紹介する。
単一の参照RGBイメージを使用して、MObIは既存のマルチモーダルシーンにオブジェクトをシームレスに挿入できる。
マスクの編集だけに頼っている従来の塗り絵とは違って、3Dバウンディングボックスコンディショニングは、オブジェクトの正確な空間的位置決めとリアルなスケーリングを可能にします。
論文 参考訳（メタデータ） (2025-01-06T17:43:26Z) - EvaSurf: Efficient View-Aware Implicit Textured Surface Reconstruction [53.28220984270622]
3次元再構成法はリアルタイムに3次元整合性のある高忠実度結果を生成する。
提案手法は,合成と実世界の両方のデータセット上で,高品質な外観と正確なメッシュを再構築することができる。
我々の方法は1つのGPUを使ってたった1～2時間でトレーニングでき、40FPS(Frames per second)以上のモバイルデバイス上で実行することができる。
論文 参考訳（メタデータ） (2023-11-16T11:30:56Z) - Planning with Spatial-Temporal Abstraction from Point Clouds for
Deformable Object Manipulation [64.00292856805865]
空間抽象と時間抽象の両方を組み込んだ空間抽象型PlAnning(PASTA)を提案する。
我々のフレームワークは,高次元の3次元観測を潜時ベクトルの集合にマッピングし,潜時集合表現の上のスキルシーケンスを計画する。
本手法は,実世界のオブジェクト操作を効果的に行うことができることを示す。
論文 参考訳（メタデータ） (2022-10-27T19:57:04Z) - Fast Image-Anomaly Mitigation for Autonomous Mobile Robots [27.049498074025088]
雨やほこりのようなカメラの異常は、画像の品質と関連するタスクを著しく低下させる可能性がある。
本研究では,これらのアーティファクトをリアルタイムに効果的に緩和する前処理ステップを実装することで,この問題に対処する。
論文 参考訳（メタデータ） (2021-09-04T15:39:42Z) - Monocular Real-Time Volumetric Performance Capture [28.481131687883256]
本稿では,モノクロ映像から実時間速度でボリューム・パフォーマンス・キャプチャとノベル・ビュー・レンダリングを行うための最初のアプローチを提案する。
このシステムは,Pixel-Aligned Implicit Function (PIFu)を活用して,各フレームから完全にテクスチャ化された3次元人体を再構成する。
また,オンラインハード・サンプル・マイニング(OHEM)技術を導入し,難題の稀な発生により,障害モードを効果的に抑制する手法を提案する。
論文 参考訳（メタデータ） (2020-07-28T04:45:13Z)
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。