論文の概要: Texture++: Elevating 3D Asset Texture Resolution with a Region-Aware Diffusion Model

• arxiv url: http://arxiv.org/abs/2607.21504v1
• Date: Thu, 23 Jul 2026 16:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.488453
• Title: Texture++: Elevating 3D Asset Texture Resolution with a Region-Aware Diffusion Model
• Title（参考訳）: Texture++: 領域認識拡散モデルによる3次元アセットテクスチャ分解能の向上
• Abstract要約: 効率的で一般化可能なテクスチャ・スーパーレゾリューション・モデルは、フィルムやビデオゲームのような産業において、老朽化したが価値のある資産の大規模なコーパスを再活性化することができる。 テクスチャ超解像のための新しいフレームワークであるTexture++を提案する。
• 参考スコア（独自算出の注目度）: 19.32169988940318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerous 3D assets are discarded due to low texture resolution, while current super-resolution models ignore texture maps and focus on natural images. An efficient and generalizable texture super-resolution model can revitalize a large corpus of aging yet valuable assets across industries such as film and video games. We present Texture++, a novel framework for texture super-resolution, which enhances the low-resolution textures of assets to produce high-resolution, high-quality results. Specifically, we reformulate the task of super-resolution in UV space into performing it across multiple rendered views and merging the outputs. Firstly, to achieve more complete and continuous textures in the view space, we propose an adaptive view selection strategy to integrate textures dispersed across UV texture patches. Furthermore, we introduce a quadtree-based texture region organization method for combining super-resolved textures from different viewpoints, providing masks to distinguish regions that require improvement. Finally, we design a diffusion-based super-resolution model that enhances the texture resolution for specified masked regions, seamlessly integrating with surrounding regions. Through comprehensive evaluations, we demonstrate that our approach yields textures with substantially improved detail and coherence over existing methods.
• Abstract（参考訳）: テクスチャの解像度が低いため、多くの3Dアセットは破棄されるが、現在の超解像度モデルはテクスチャマップを無視し、自然画像にフォーカスする。 効率的で一般化可能なテクスチャ・スーパーレゾリューション・モデルは、フィルムやビデオゲームのような産業において、老朽化したが価値のある資産の大規模なコーパスを再活性化することができる。 テクスチャ超解像のための新しいフレームワークであるTexture++を提案する。 具体的には、UV空間における超解像のタスクを複数のレンダリングビューにまたがって実行し、出力をマージする。 まず、ビュー空間におけるより完全な連続的なテクスチャを実現するために、UVテクスチャに分散したテクスチャを統合するための適応的なビュー選択戦略を提案する。 さらに,異なる視点から高解像度テクスチャを組み合わせ,改善を必要とする領域を識別するためのマスクを提供する,クワッドツリーに基づくテクスチャ領域編成手法を提案する。 最後に,特定のマスキング領域のテクスチャ分解能を高め,周囲の領域とシームレスに統合する拡散型超解像モデルの設計を行う。 包括的評価により,本手法は既存の手法よりも細部とコヒーレンスを大幅に改善したテクスチャが得られることを示した。

関連論文リスト

• FlexPainter: Flexible and Multi-View Consistent Texture Generation [15.727635740684157]
  textbfFlexPainterは、柔軟なマルチモーダル条件ガイダンスを可能にする新しいテクスチャ生成パイプラインである。 我々のフレームワークは、柔軟性と生成品質の両方において最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-03T08:36:03Z)
• UniTEX: Universal High Fidelity Generative Texturing for 3D Shapes [35.667175445637604]
  二段階テクスチャ生成フレームワークUniTEXを提案する。 UniTEXは、既存のアプローチに比べて視覚的品質とテクスチャの整合性が優れている。
  論文  参考訳（メタデータ） (2025-05-29T08:58:41Z)
• PacTure: Efficient PBR Texture Generation on Packed Views with Visual Autoregressive Models [73.4445896872942]
  PacTureは、未ドメインの3Dメッシュから物理ベースのレンダリング(PBR)素材テクスチャを生成するためのフレームワークである。 ビューパッキング(View Packing)は、ビュー毎の有効解像度を高める新しいテクニックである。
  論文  参考訳（メタデータ） (2025-05-28T14:23:30Z)
• Directing Mamba to Complex Textures: An Efficient Texture-Aware State Space Model for Image Restoration [75.51789992466183]
  TAMAMbaIRは画像テクスチャの達成と性能と効率のトレードオフを同時に知覚する。 画像超解像, デラリニング, 低照度画像強調のためのベンチマーク実験により, TAMAMbaIRは高い効率で最先端の性能を達成できることを示した。
  論文  参考訳（メタデータ） (2025-01-27T23:53:49Z)
• Make-A-Texture: Fast Shape-Aware Texture Generation in 3 Seconds [11.238020531599405]
  テキストプロンプトから高分解能テクスチャマップを効率的に合成する新しいフレームワークであるMake-A-Textureを提案する。 この手法の重要な特徴は、NVIDIA H100 GPUでわずか3.07秒のエンドツーエンドランタイム内で完全なテクスチャ生成を実現するという、その顕著な効率である。 本研究は,インタラクティブなテクスチャ作成やテキストガイドによるテクスチャ編集を含む,現実世界の3Dコンテンツ作成のためのテクスチャ生成モデルの適用性と実用性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-12-10T18:58:29Z)
• TEXGen: a Generative Diffusion Model for Mesh Textures [63.43159148394021]
  我々は、UVテクスチャ空間自体における学習の根本的な問題に焦点を当てる。 本稿では,点クラウド上にアテンション層を持つUVマップ上の畳み込みをインターリーブするスケーラブルなネットワークアーキテクチャを提案する。 テキストプロンプトとシングルビュー画像によって導かれるUVテクスチャマップを生成する7億のパラメータ拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-11-22T05:22:11Z)
• Meta 3D TextureGen: Fast and Consistent Texture Generation for 3D Objects [54.80813150893719]
  高品質なテクスチャを20秒未満で生成することを目的とした,2つのシーケンシャルネットワークで構成される新しいフィードフォワード方式であるMeta 3D TextureGenを紹介する。 提案手法は,2次元空間の3次元セマンティクスにテキスト・ツー・イメージ・モデルを適用し,それらを完全かつ高解像度なUVテクスチャマップに融合することにより,品質とスピードを向上する。 さらに、任意の比率で任意のテクスチャをアップスケーリングできるテクスチャ拡張ネットワークを導入し、4kピクセルの解像度テクスチャを生成します。
  論文  参考訳（メタデータ） (2024-07-02T17:04:34Z)
• Infinite Texture: Text-guided High Resolution Diffusion Texture Synthesis [61.189479577198846]
  Infinite Textureはテキストプロンプトから任意の大きさのテクスチャ画像を生成する方法である。 本手法は,1つのテクスチャ上に拡散モデルを微調整し,その分布をモデルの出力領域に埋め込むことを学習する。 1つのGPU上で任意の解像度の出力テクスチャ画像を生成するためのスコアアグリゲーションストラテジーによって、我々の微調整拡散モデルが生成される。
  論文  参考訳（メタデータ） (2024-05-13T21:53:09Z)
• TexRO: Generating Delicate Textures of 3D Models by Recursive Optimization [54.59133974444805]
  TexROは、UVテクスチャを最適化することで、既知の3Dメッシュの繊細なテクスチャを生成する新しい方法である。 テクスチャ品質,ディテール保存,視覚的一貫性,特に実行速度の観点から,TexROの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-22T07:45:51Z)
• Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
  画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。 我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。 ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
  論文  参考訳（メタデータ） (2023-03-03T17:14:44Z)

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。