論文の概要: Mesh BDF: Barycentric Dominance Field for 3D Native Mesh Generation
- arxiv url: http://arxiv.org/abs/2606.31777v1
- Date: Tue, 30 Jun 2026 14:58:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.277395
- Title: Mesh BDF: Barycentric Dominance Field for 3D Native Mesh Generation
- Title（参考訳）: Mesh BDF: 3Dネイティブメッシュ生成のためのバリ中心ドミナンスフィールド
- Abstract要約: 自動回帰(AR)モデリングは、最近、ネイティブな3Dメッシュ生成において顕著な進歩を遂げた。
三角メッシュ面上で定義された連続表現として,Barycentric Dominance Field (BDF)を提案する。
BDFは接続を連続的な表面信号に変換し、既存の3D拡散パイプラインへのシームレスな統合を可能にする。
- 参考スコア（独自算出の注目度）: 26.210600152891953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autoregressive (AR) modeling has recently achieved remarkable progress in native 3D mesh generation, largely due to its natural ability to handle variable-length, discrete data structures. However, the inherent constraints of the AR paradigm severely restrict the generated meshes, leading to limited face counts, bounded vertex resolutions, and difficulties in supporting textures. To overcome these bottlenecks, we propose the Barycentric Dominance Field (BDF), a continuous representation defined on triangular mesh surfaces that elegantly encodes vertex topological connectivity. BDF bridges the fundamental gap between discrete mesh topology and continuous diffusion-based generative modeling by transforming connectivity into a continuous surface signal. As an intrinsic mesh property, BDF shares strong similarities with texture maps, enabling its seamless integration into existing 3D diffusion pipelines without requiring architectural modifications. Extensive experiments demonstrate that BDF empowers diffusion models to generate native meshes with significantly higher quality, greater scalability, and stronger robustness compared to state-of-the-art autoregressive methods.
- Abstract（参考訳）: 自動回帰(AR)モデリングは、主に可変長の離散データ構造を扱う自然な能力のために、最近、ネイティブな3Dメッシュ生成において顕著な進歩を遂げた。
しかし、ARパラダイムの固有の制約は、生成されたメッシュを厳しく制限し、顔数、境界頂点解像度、テクスチャのサポートの難しさにつながった。
これらのボトルネックを克服するために、頂点トポロジカル接続をエレガントにエンコードする三角形メッシュ表面に定義された連続表現であるBarycentric Dominance Field (BDF)を提案する。
BDFは、接続を連続的な表面信号に変換することによって、離散メッシュトポロジーと連続拡散に基づく生成モデリングの基本的なギャップを埋める。
内在的なメッシュ特性として、BDFはテクスチャマップと強い類似性を共有しており、アーキテクチャ変更を必要とせずに既存の3D拡散パイプラインへのシームレスな統合を可能にしている。
大規模な実験により、BDFは拡散モデルを使用して、最先端の自己回帰手法と比較して、はるかに高い品質、高いスケーラビリティ、強力な堅牢性を持つネイティブメッシュを生成することが実証された。
関連論文リスト
- FDR-Occ: Factorized Dense Routing for Full-Spectrum 3D Occupancy Prediction [63.738631229597274]
視覚に基づく3次元占有予測は、基本的に2次元から3次元のビュー変換に依存している。
現在のパラダイムは、厳密でスパースなカメラ線にルーティング行列を人工的に制限する明示的な物理射影を主に利用している。
本稿では,このボトルネックを解消するためにFDR(Facterized Dense Routing)を提案する。
本フレームワークは,Occ3D-nuScenesおよびOcc3D-Waymoベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2026-07-04T11:12:42Z) - PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation [105.86385617182879]
最先端のシングルイメージの3D再構成手法は複雑なハイブリッドアーキテクチャと損失関数に依存していることが多い。
このようなアーキテクチャ上のオーバーヘッドと複雑な損失の定式化は不要であることを示す。
我々は,平易なViT上に構築された最小限の画素空間拡散変換器を導入し,生の3Dポイントマップパッチを直接操作する。
論文 参考訳（メタデータ） (2026-07-02T17:59:56Z) - FLUX3D: High-Fidelity 3D Gaussian Generation with Diffusion-Aligned Sparse Representation [48.928051741750124]
本稿では,画像から3DGSまでのスケーラブルなフレームワークを提案し,生成時の表現学習と相互モーダルアライメントを向上する。
FLUX3Dは外観の忠実さを大幅に改善し、高品質な3DGSの資産を生み出すのに最先端(SOTA)の手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-06-23T17:52:21Z) - 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) - LATO: 3D Mesh Flow Matching with Structured TOpology Preserving LAtents [43.84310366771089]
LATOは、スケーラブルでフローマッチングに基づく明示的な3Dメッシュの合成を可能にする、新しいトポロジ保存潜在表現である。
生成モデリングでは、LATOは2段階のフローマッチングプロセスを採用し、最初は構造ボクセルを合成し、その後、ボクセルのトポロジーの特徴を精製する。
従来の等曲面/三角形に基づく拡散モデルや自己回帰生成アプローチと比較して、LATOは推論において高い効率を保ちながら、複雑な幾何学、よく形成されたトポロジーを持つメッシュを生成する。
論文 参考訳（メタデータ） (2026-03-06T15:09:25Z) - Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である
現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。
本稿では,これらの制約に対処する頑健な枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-06T05:20:12Z) - LaFiTe: A Generative Latent Field for 3D Native Texturing [72.05710323154288]
既存のネイティブアプローチは、その生成したテクスチャの忠実さと一般性を著しく制限する、強力で多目的な表現が欠如しているため、疎外である。
粗い色表現と紫外パラメータ化によって制約された高品質なテクスチャを生成するLaFiTeを紹介する。
論文 参考訳（メタデータ） (2025-12-04T13:33:49Z) - LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning [26.88556500272625]
非符号距離場(UDF)に基づく新しい3次元変分オートエンコーダフレームワークを提案する。
私たちの中心となるイノベーションは、UDFを統一サブボリュームであるUBlockに分割することで処理する、ローカルからグローバルなアーキテクチャです。
再現精度と生成品質の両面での最先端性能を実証し,表面の滑らかさと幾何学的柔軟性を向上した。
論文 参考訳（メタデータ） (2025-11-13T07:34:43Z) - LTM3D: Bridging Token Spaces for Conditional 3D Generation with Auto-Regressive Diffusion Framework [40.17218893870908]
LTM3Dは条件付き3次元形状生成のための潜在トークン空間モデリングフレームワークである。
拡散と自己回帰(Auto-Regressive、AR)モデルの強みを統合する。
LTM3Dはマルチモーダル・マルチ表現3D生成のための一般化可能なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-05-30T06:08:45Z) - 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) - FOF-X: Towards Real-time Detailed Human Reconstruction from a Single Image [64.96903230497755]
本稿では,1枚の画像から詳細な人物形状をリアルタイムに再現するFOF-Xを提案する。
FOFの中核は、3次元占有体を2次元ベクトル場に分解し、3次元領域内の位相的および空間的関係を維持することである。
FOFに基づく新しい再構成フレームワークFOF-Xを設計し,テクスチャや照明による性能劣化を回避する。
論文 参考訳（メタデータ） (2024-12-08T14:46:29Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z)
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。