論文の概要: ELSA3D: Elastic Semantic Anchoring for Unified 3D Understanding and Generation

• arxiv url: http://arxiv.org/abs/2607.06565v1
• Date: Tue, 07 Jul 2026 17:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.620548
• Title: ELSA3D: Elastic Semantic Anchoring for Unified 3D Understanding and Generation
• Title（参考訳）: ELSA3D: 統一3次元理解・生成のための弾性セマンティックアンカリング
• Abstract要約: 統一された3Dファウンデーションモデルは、単一のバックボーン内で3Dアセットを生成し、言語でそれらを推論することを目指している。 ELSA3Dは, 弾性的セマンティックアンカー, 言語構造, 幾何学的推論を, 整合した抽象スケールと共同で扱うことで, この問題に対処する統一3Dモデルである。 軽量なブロック単位ルータは計算と推論の両方をエラスティックにし、どのテキストトークンが幾何スケールのアンカーをインスタンス化するかを選択する。
• 参考スコア（独自算出の注目度）: 6.660269100200303
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unified 3D foundation models aspire to generate 3D assets and reason about them in language within a single backbone, but their text-3D interaction remains largely implicit. Existing methods concatenate text and 3D tokens into a flat sequence and rely on self-attention, collapsing coarse structural cues and fine geometric details into one undifferentiated representation. We introduce ELSA3D, a unified 3D model that addresses this with elastic semantic anchoring, structuring language and geometric reasoning jointly along matched abstraction scales. ELSA3D represents geometry with a scale-aware octree tokenizer and introduces Anchor Tokens, sparse cross-modal units that select semantic cues, route them to the most relevant 3D scale, retrieve scale-specific geometric evidence, and write the fused signal back into the unified representation, keeping interaction sparse yet precise. A lightweight per-block router makes both computation and reasoning elastic, choosing which text tokens instantiate anchors at which geometric scale so that cross-modal capacity concentrates where alignment is most needed. ELSA3D achieves state-of-the-art performance across image-to-3D generation, text-to-3D generation, and 3D captioning, outperforming the strongest unified baseline while roughly halving FLOPs and inference latency relative to the non-elastic version of the same model.
• Abstract（参考訳）: 統一された3Dファウンデーションモデルは、1つのバックボーン内で3Dアセットを生成し、それらについて言語で推論することを目的としている。 既存の方法は、テキストと3Dトークンを平らなシーケンスに結合し、自己注意、粗い構造的手がかりの崩壊、そして細かい幾何学的詳細を1つの未分化表現に依存する。 ELSA3Dは, 弾性的セマンティックアンカー, 言語構造, 幾何学的推論を, 整合した抽象スケールと共同で扱うことで, この問題に対処する統一3Dモデルである。 ELSA3Dは、スケール対応オクツリートークンライザで幾何学を表現し、Anchor Tokensを導入し、セマンティックキューを選択し、それらを最も関連する3Dスケールにルーティングし、スケール固有の幾何学的証拠を取得し、融合したシグナルを統一された表現に書き戻し、相互作用を簡潔に保ちます。 軽量なブロック単位ルータは計算と推論の両方をエラスティックにし、どのテキストトークンが幾何スケールのアンカーをインスタンス化するかを選択する。 ELSA3Dは、画像から3D生成、テキストから3D生成、そして3Dキャプションにまたがる最先端のパフォーマンスを達成し、同じモデルの非弾性バージョンと比較してFLOPと推論遅延をほぼ半分にしながら、最強の統一ベースラインを上回ります。

関連論文リスト

• P3D-Bench: Benchmarking MLLMs for Parametric 3D Generation and Structural Reasoning [37.03209423305997]
  パラメトリックな3D生成のためのベンチマークであるP3D-Benchを紹介する。 統一されたプロトコルの下でP3D-Benchは3つのタスクファミリ(Text-to-3D, Image-to-3D, Assembly-3D)をカバーする テキストケース400件,画像ケース400件,アノテートアセンブリ203件について,フロンティアMLLMとテキストのみLLMを評価した。
  論文  参考訳（メタデータ） (2026-06-09T17:36:34Z)
• Omni123: Exploring 3D Native Foundation Models with Limited 3D Data by Unifying Text to 2D and 3D Generation [15.607138815246387]
  Omni123は、テキストから2D、テキストから3D生成を単一の自動回帰フレームワークに統合する3Dネイティブ基盤モデルである。 実験により、Omni123はテキストガイドによる3D生成と編集を大幅に改善し、マルチモーダルな3Dワールドモデルへのスケーラブルなパスを示す。
  論文  参考訳（メタデータ） (2026-04-02T17:29:38Z)
• LoST: Level of Semantics Tokenization for 3D Shapes [50.847769883816085]
  State-of-the-artメソッドは、もともとレンダリングと圧縮のために設計された幾何学的なレベル・オブ・ディテール(LoD)階層に依存している。 本稿では,初期接頭辞が完全かつ可塑性な形状をデコードするように,サリエンスを指示するレベル・オブ・セマンティックス・トークン化(LoST)を提案する。 LoSTはSOTA再構成を実現し、幾何的および意味的再構成のメトリクスにおいて、従来のLoDベースの3次元形状トークン化器を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2026-03-18T17:56:06Z)
• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)
• Seeing 3D Through 2D Lenses: 3D Few-Shot Class-Incremental Learning via Cross-Modal Geometric Rectification [59.17489431187807]
  本稿では,CLIPの階層的空間意味論を活用することで3次元幾何学的忠実度を高めるフレームワークを提案する。 本手法は3次元のクラスインクリメンタル学習を著しく改善し,テクスチャバイアスに対して優れた幾何コヒーレンスとロバスト性を実現する。
  論文  参考訳（メタデータ） (2025-09-18T13:45:08Z)
• Point Linguist Model: Segment Any Object via Bridged Large 3D-Language Model [51.02616473941499]
  大規模言語モデル(LLM)による3Dオブジェクトのセグメンテーションは、その広範囲なセマンティクス、タスクの柔軟性、強力な一般化により、広く普及しているパラダイムとなっている。 LLMは高レベルなセマンティックトークンを処理し、3次元の点雲は密度の高い幾何学的構造のみを伝達する。 本稿では,LLMと高密度3次元点雲の間の表現ギャップを橋渡しする一般フレームワークであるポイント言語モデル(PLM)を提案する。
  論文  参考訳（メタデータ） (2025-09-09T15:01:28Z)
• Cues3D: Unleashing the Power of Sole NeRF for Consistent and Unique Instances in Open-Vocabulary 3D Panoptic Segmentation [48.231573110948]
  Open-vocabulary 3D panoptic segmentationは、最近重要なトレンドとして現れている。 先行連想の代わりにNeural Radiance Field(NeRF)のみに依存するコンパクトなアプローチであるCues3Dを提案する。 ScanNet v2、ScanNet200、ScanNet++、Replicaの3Dインスタンス、パノプティクス、セマンティックセグメンテーションタスクを対象に実験を行った。
  論文  参考訳（メタデータ） (2025-05-01T08:12:03Z)
• SCA3D: Enhancing Cross-modal 3D Retrieval via 3D Shape and Caption Paired Data Augmentation [21.070154402838906]
  クロスモーダルな3D検索は,テキスト記述と3次元形状の相互マッチングを実現することを目的としている。 3Dデータの不足と高価さは、既存のクロスモーダルな3D検索手法の性能を制約する。 クロスモーダル3D検索のための新しい3D形状とキャプションオンラインデータ拡張手法であるSCA3Dを紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:36:40Z)
• Shape from Semantics: 3D Shape Generation from Multi-View Semantics [30.969299308083723]
  既存の3D再構成手法では, 3次元画像, 3次元点雲, 形状輪郭, 単一意味論などのガイダンスを用いて3次元表面を復元する。 図形や外観が、異なる視点から見ると、与えられたテキストの意味と一致した3Dモデルを作成することを目的として、新しい3Dモデリングタスク「Shape from Semantics'」を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:51:59Z)
• A3D: Does Diffusion Dream about 3D Alignment? [73.97853402817405]
  幾何学的アライメントの観点からテキスト駆動型3D生成の問題に取り組む。 テキストプロンプトのセットが与えられたら、意味的に対応する部分同士が整列したオブジェクトの集合を生成することを目指している。 我々は、これらのオブジェクトを共通の潜在空間に埋め込み、これらのオブジェクト間の連続的な遷移を最適化することを提案する。
  論文  参考訳（メタデータ） (2024-06-21T09:49:34Z)
• DIRECT-3D: Learning Direct Text-to-3D Generation on Massive Noisy 3D Data [50.164670363633704]
  テキストプロンプトから高品質な3Dアセットを作成するための拡散型3D生成モデルであるDIRECT-3Dを提案する。 我々のモデルは、広範に騒々しく不整合な3D資産で直接訓練されている。 単一クラス生成とテキスト・ツー・3D生成の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T17:58:15Z)
• ID-to-3D: Expressive ID-guided 3D Heads via Score Distillation Sampling [96.87575334960258]
  ID-to-3D(ID-to-3D)は、不整合表現を用いたIDとテキスト誘導型3次元頭部を生成する方法である。 前例のないアイデンティティ一貫性と高品質なテクスチャと幾何生成を実現する。
  論文  参考訳（メタデータ） (2024-05-26T13:36:45Z)
• Point2Seq: Detecting 3D Objects as Sequences [58.63662049729309]
  我々は、ポイントクラウドから3次元オブジェクトを検出するためのシンプルで効果的なフレームワーク、Point2Seqを提案する。 我々は,各3Dオブジェクトを単語列とみなし,その3Dオブジェクト検出タスクを,自動回帰的に3Dシーンからの単語の復号化として再構成する。
  論文  参考訳（メタデータ） (2022-03-25T00:20:31Z)

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。