論文の概要: EditVerse3D: High-Quality 3D Object Editing with Region-Aware Learning
- arxiv url: http://arxiv.org/abs/2607.07187v1
- Date: Wed, 08 Jul 2026 09:21:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.341748
- Title: EditVerse3D: High-Quality 3D Object Editing with Region-Aware Learning
- Title（参考訳）: EditVerse3D: 領域認識学習による高品質な3Dオブジェクト編集
- Abstract要約: 粗いガイダンスの下で高品質なオブジェクト編集を可能にする新しい3D編集フレームワークであるEditVerse3Dを提案する。
提案手法は,編集対象の3Dオブジェクトと,対象領域を示す粗い3D境界ボックスと,所望の修正を記述した参照2D画像とを入力として行う。
この編集を容易にするために,学習困難な領域を強調する新しい領域適応損失を導入する。
- 参考スコア（独自算出の注目度）: 59.36059865997641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local editing of 3D objects remains a long-standing challenge. When interacting with 3D content, humans naturally tend to specify a coarse region of interest for modification rather than defining precise editing boundaries. However, previous methods rely on fully edited 2D images, precise 3D masks, or redundant pipelines, which present a gap. To bridge this gap, we propose EditVerse3D, a novel 3D editing framework that enables high-quality object editing under such coarse guidance. Our approach takes as input a 3D object to be edited, a coarse 3D bounding box indicating the target region, and a reference 2D image describing the desired modification. It produces a coherent, high-fidelity edited 3D object. To facilitate this editing, we introduce a novel region-aware adaptive loss that emphasizes hard-to-learn regions and balances the objective between target and preserved areas. Complementing our loss function, we enhance model robustness and generalization through targeted data augmentations, such as training with scaled 3D masks and filtering out unrealistic editing pairs. We construct a large-scale 3D editing dataset derived from parts information. Extensive experiments demonstrate that EditVerse3D achieves superior visual quality and quantitative performance compared to existing 3D editing approaches. Please visit our project page at https://editverse3d.github.io.
- Abstract（参考訳）: 3Dオブジェクトの局所的な編集は、長年の課題である。
3Dコンテンツと対話する場合、人間は正確に編集境界を定義するのではなく、変更のための粗い関心領域を指定する傾向がある。
しかし、従来の手法では、完全に編集された2D画像、正確な3Dマスク、または余分なパイプラインに依存しており、ギャップが生じる。
このギャップを埋めるために,このような粗いガイダンスの下で高品質なオブジェクト編集を可能にする新しい3D編集フレームワークEditVerse3Dを提案する。
提案手法は,編集対象の3Dオブジェクトと,対象領域を示す粗い3D境界ボックスと,所望の修正を記述した参照2D画像とを入力として行う。
これはコヒーレントで高忠実な3Dオブジェクトを生成する。
この編集を容易にするために,学習困難な領域を重視し,目標領域と保存領域との目標のバランスをとる新しい領域適応損失を導入する。
損失関数を補完することにより、スケールした3Dマスクによるトレーニングや非現実的な編集ペアのフィルタリングなど、ターゲットデータ拡張によるモデルロバスト性と一般化が向上する。
部品情報から派生した大規模3次元編集データセットを構築した。
大規模な実験により、EditVerse3Dは既存の3D編集手法に比べて視覚的品質と量的性能が優れていることが示された。
プロジェクトページはhttps://editverse3d.github.io.com。
関連論文リスト
- 3DMorph: Single-Image-Guided Local 3D Shape Editing and Morphing [1.7558503530534386]
3DMorphは,局所的な3次元形状の編集と変形のためのトレーニングフリーフレームワークである。
所望の形状変化を示す編集画像が与えられた場合,本手法は自動的に3次元領域をローカライズし,未修正領域を保存しながら2次元領域を3次元に変換する。
3DMorphはまた、オリジナルのオブジェクトと編集されたオブジェクトの間の中間形状の生成を可能にし、設計の探索を容易にする。
論文 参考訳（メタデータ） (2026-06-05T10:10:33Z) - Vinedresser3D: Agentic Text-guided 3D Editing [26.81659566314386]
Vinedresser3Dは高品質なテキスト誘導3D編集のためのエージェントフレームワークである。
ネイティブな3D生成モデルの潜在空間で直接動作する。
多様な3D編集の実験では、Vinedresser3Dは自動メトリクスと人間の嗜好の両方において、以前のベースラインよりも優れていた。
論文 参考訳（メタデータ） (2026-02-23T06:30:36Z) - 3DGS-Drag: Dragging Gaussians for Intuitive Point-Based 3D Editing [58.54083747494426]
3DGS-Dragはポイントベースの3D編集フレームワークで、リアルな3Dシーンを効率よく直感的にドラッグ操作できる。
本手法は,変形に基づく3次元編集と2次元編集による3次元編集のギャップを埋めるものである。
論文 参考訳（メタデータ） (2026-01-12T19:57:31Z) - Error-Driven Scene Editing for 3D Grounding in Large Language Models [71.41120775319088]
近年の3D-LLMの進歩にもかかわらず、3D環境における視覚的および空間的要素に正確に接地する言語に限られている。
この制限は、3Dリソースの不足による空間的理解よりも、言語推論に焦点を当てたトレーニングデータに起因している。
本稿では,これらのバイアスを緩和する正確な視覚的カウンターファクトを生成するための重要なメカニズムとして,3Dシーン編集を提案する。
論文 参考訳（メタデータ） (2025-11-18T03:13:29Z) - NANO3D: A Training-Free Approach for Efficient 3D Editing Without Masks [29.825760228576744]
Nano3Dは、マスクなしで正確でコヒーレントな3Dオブジェクト編集のためのトレーニング不要のフレームワークである。
我々は,10万以上の高品質な3D編集ペアを含む,最初の大規模3D編集データセットであるNano3D-Edit-100kを構築した。
論文 参考訳（メタデータ） (2025-10-16T17:51:50Z) - Towards Scalable and Consistent 3D Editing [32.16698854719098]
3D編集は没入型コンテンツ制作、デジタルエンターテイメント、AR/VRに広く応用されている。
2D編集とは異なり、クロスビューの一貫性、構造的忠実さ、きめ細かい制御性を必要とするため、依然として困難である。
我々はこれまでで最大の3D編集ベンチマークである3DEditVerseを紹介した。
モデル側では、3次元構造保存条件変換器である3DEditFormerを提案する。
論文 参考訳（メタデータ） (2025-10-03T13:34:55Z) - 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) - DragGaussian: Enabling Drag-style Manipulation on 3D Gaussian Representation [57.406031264184584]
DragGaussianは、3D Gaussian Splattingをベースにした3Dオブジェクトのドラッグ編集フレームワークである。
我々の貢献は、新しいタスクの導入、インタラクティブなポイントベース3D編集のためのDragGaussianの開発、質的かつ定量的な実験によるその効果の包括的検証などである。
論文 参考訳（メタデータ） (2024-05-09T14:34:05Z) - 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) - SHAP-EDITOR: Instruction-guided Latent 3D Editing in Seconds [73.91114735118298]
Shap-Editorは、新しいフィードフォワード3D編集フレームワークである。
フィードフォワード・エディター・ネットワークを構築することで,この空間で直接3D編集を行うことが可能であることを示す。
論文 参考訳（メタデータ） (2023-12-14T18:59:06Z)
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。