論文の概要: TanGO: Training-Free 3D Editing via Tangent-Space Guidance and Optimization

• arxiv url: http://arxiv.org/abs/2607.14927v1
• Date: Thu, 16 Jul 2026 12:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.095659
• Title: TanGO: Training-Free 3D Editing via Tangent-Space Guidance and Optimization
• Title（参考訳）: TanGO:Tangent-Space Guidanceと最適化によるトレーニング不要の3D編集
• Abstract要約: TanGOはトレーニングフリーのフレームワークで、生成力学の接点空間における適応的な一点あたりのステアリングを可能にする。 実験によると、TanGOは構造的アーティファクトを大幅に削減し、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 38.10233007236479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While recent flow-matching 3D generative models (e.g., VecSet) adopt structured representations, their tokens share global context, causing conventional training-free editing to suffer from semantic artifacts such as collapsed preserved regions or incomplete transformations. To address this, we propose TanGO, a training-free framework that enables adaptive per-token steering in the tangent space of generative dynamics. To realize this selective control, we formulate a one-step optimal control rule and determine the strength of each token's control signal using a von Mises-Fisher inspired directional discrepancy derived from the source and target velocity fields. Experiments show that TanGO substantially reduces structural artifacts and achieves state-of-the-art performance, outperforming existing 3D editing baselines. The code is publicly available at https://github.com/siw00-lim/TanGO.
• Abstract（参考訳）: 最近のフローマッチング3D生成モデル(例えば、VecSet)では構造化表現が採用されているが、トークンはグローバルなコンテキストを共有しているため、従来のトレーニング不要な編集では、保存された領域の崩壊や不完全な変換といったセマンティックアーティファクトに悩まされる。 そこで本稿では,TanGOを提案する。TanGOは,生成力学の接点空間において,適応的な一対のステアリングを可能にする,トレーニング不要のフレームワークである。 この選択的な制御を実現するために、1ステップの最適制御ルールを定式化し、ソースとターゲットの速度場から導出される方向のずれを利用して各トークンの制御信号の強度を決定する。 実験の結果、TanGOは構造的アーティファクトを大幅に減らし、最先端のパフォーマンスを実現し、既存の3D編集ベースラインを上回っていることがわかった。 コードはhttps://github.com/siw00-lim/TanGOで公開されている。

関連論文リスト

• Semantically Aligned Gradient-Driven Context-Preserving Image Editing [32.85393969503569]
  IABEditは、識別可能なセマンティック検証をトレーニングに組み込む、モデルに依存しないフレームワークである。 IABEdit は U-Net (Stable Diffusion) や MMDiT (FLUX) など様々なバックボーンと互換性がある。
  論文  参考訳（メタデータ） (2026-09-11T10:37:32Z)
• UniMoFlow: Grounding Instruction-Driven 3D Human Motion Editing in Generation [31.218236544871967]
  データ、アーキテクチャ、推論をまたいだテキスト・ツー・モーション・ジェネレーション内でのモーション編集を直接行う。 データレベルでは,Omni-MoEditを生成するクローズドループ合成検証パイプラインを開発した。 アーキテクチャレベルでは、UniMoFlowを導入します。UniMoFlowは、生成と編集の間に広範囲なセマンティックとセマンティックの知識を共有します。 本研究は,1つの接地真実参照から本質的に逸脱する有効な編集を考慮に入れた意味論的メトリクスを用いた標準評価を強化する。
  論文  参考訳（メタデータ） (2026-08-10T05:42:58Z)
• 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)
• GeoEdit: Local Frames for Fast, Training-Free On-Manifold Editing in Diffusion Models [9.1810262671279]
  訓練なしの編集は通常、全ての編集強度の完全な装飾軌跡を再実行し、反復的な洗練が高価になる。 代わりに、小さなローカル更新が繰り返し再合成を置き換えることができるデータ多様体の近くで編集します。 提案アルゴリズムは、初期雑音に対する小さな摂動を通して接フレームを構築し、拡散に基づく投影と小さな接移動を交互に行う。
  論文  参考訳（メタデータ） (2026-04-27T09:47:02Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling [62.89824987879374]
  本研究では,3次元生成の空間的制御を明示する訓練不要なテストタイム手法であるSpaceControlを紹介する。 SpaceControlは、追加のトレーニングを必要とせずに、現代的な事前訓練された生成モデルとシームレスに統合する。 テクスチャ化された3Dアセットへの直接変換を行うために,スーパークワッドリックのオンライン編集を可能にする対話型ユーザインタフェースを提案する。
  論文  参考訳（メタデータ） (2025-12-05T00:54:48Z)
• Zero-shot 3D-Aware Trajectory-Guided image-to-video generation via Test-Time Training [27.251232052868033]
  Trajectory-Guided Image-to-Video (I2V) 生成は、ユーザが指定した動画を合成することを目的としている。 Zo3Tは軌道制御されたI2V生成における3次元リアリズムと運動精度を著しく向上させる。
  論文  参考訳（メタデータ） (2025-09-08T14:21:45Z)
• Drag Your Gaussian: Effective Drag-Based Editing with Score Distillation for 3D Gaussian Splatting [55.14822004410817]
  DYGは3次元ガウススプラッティングのための効果的な3次元ドラッグベース編集法である。 3次元マスクと一対の制御点を入力して編集範囲を正確に制御できる。 DYGは暗黙三面体表現の強さを統合し、編集結果の幾何学的足場を確立する。
  論文  参考訳（メタデータ） (2025-01-30T18:51:54Z)
• Self-Supervised 3D Scene Flow Estimation and Motion Prediction using Local Rigidity Prior [100.98123802027847]
  点群における3次元シーンフロー推定とクラス非依存動作予測について検討した。 我々は,一方向の剛性動作推定により,自己教師型学習のための擬似シーンフローラベルを生成する。 本手法は,自己監督型シーンフロー学習における最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-17T14:06:55Z)

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。