論文の概要: DreamStyle3D: Efficient 3D Stylized Asset Generation via Dual-Attention Disentanglement

• arxiv url: http://arxiv.org/abs/2607.24721v2
• Date: Mon, 03 Aug 2026 13:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.340457
• Title: DreamStyle3D: Efficient 3D Stylized Asset Generation via Dual-Attention Disentanglement
• Title（参考訳）: DreamStyle3D:DreamStyle3D:Dal-Attention Disentanglementによる高効率3Dスティル化アセット生成
• Abstract要約: 本稿では,DreamStyle3Dを提案する。DreamStyle3Dは,Decoupled Dual Cross-Attention機構上に構築された3Dアセットのスタイリングのための効率的なフレームワークである。 本手法は, 構造的整合性を維持しつつ, 効率的なスタイルインジェクションを実現するため, 幾何学的特徴とスタイル的特徴を明確に分離する。 実験では、DreamStyle3Dは高忠実で幾何学的に整合した3Dアセットを10秒で生成できる。
• 参考スコア（独自算出の注目度）: 74.22884364407646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growth of gaming, animation, and virtual reality industries, the demand for efficient generation of stylized 3D assets is rapidly increasing. However, existing approaches still struggle to jointly preserve style fidelity, geometric consistency, and generation efficiency, as most of them still rely on indirect 2D-to-3D stylization pipelines. This motivates a native 3D stylization framework that can explicitly disentangle style from geometry while remaining efficient. To this end, we propose DreamStyle3D, an efficient framework for stylized 3D asset generation built on a Decoupled Dual Cross-Attention mechanism. Our method explicitly separates geometric and stylistic features to enable efficient style injection while preserving structural consistency, and further adopts a lightweight training strategy to enhance style consistency and model generalization. In addition, we build an automated data pipeline and construct a dataset of about 15K content-style-stylized triplets for training and evaluation. Extensive experiments demonstrate that our DreamStyle3D can generate high-fidelity, geometrically consistent stylized 3D assets within 10 seconds, substantially improving efficiency while maintaining superior style quality and offering a new solution for 3D content creation. The project is available at https://github.com/NK-JittorCV/nk-3D/tree/main/models/DreamStyle3D.
• Abstract（参考訳）: ゲーム、アニメーション、バーチャルリアリティ産業の成長に伴い、スタイリングされた3Dアセットの効率的な生成に対する需要は急速に増加している。 しかし、既存のアプローチはスタイルの忠実さ、幾何的整合性、生成効率の両立に苦慮しており、そのほとんどは間接的な2D-to-3Dスタイリングパイプラインに依存している。 これはネイティブな3Dスタイリングフレームワークを動機付けており、効率を保ちながら、幾何からスタイルを明示的に切り離すことができる。 そこで本研究では,DreamStyle3Dを提案する。DreamStyle3Dは,Decoupled Dual Cross-Attention機構上に構築された3Dアセットのスタイリングのための効率的なフレームワークである。 本手法は, 構造整合性を維持しつつ, 効率的なスタイルインジェクションを可能にするため, 幾何学的, スタイル的特徴を明示的に分離し, さらに, スタイル整合性とモデル一般化性を高めるための軽量なトレーニング戦略を採用する。 さらに、自動データパイプラインを構築し、トレーニングと評価のために約15Kのコンテンツスタイルのトリプレットのデータセットを構築します。 我々のDreamStyle3Dは、10秒以内に高忠実で幾何的に整合した3Dアセットを生成し、優れたスタイル品質を維持しながら効率を大幅に向上し、3Dコンテンツ作成のための新しいソリューションを提供する。 プロジェクトはhttps://github.com/NK-JittorCV/nk-3D/tree/main/models/DreamStyle3Dで入手できる。

関連論文リスト

• Seed3D 2.0: Advancing High-Fidelity Simulation-Ready 3D Content Generation [49.78860713076338]
  Seed3D 2.0は、Seed3D 1.0上に開発された高度な3Dコンテンツ生成システムである。 幾何の場合、粗い2段階のパイプラインは、高周波ディテールリカバリからグローバルな構造学習を分離する。 テクスチャと材料生成のために,Seed3D 1.0のカスケードパイプラインを統一されたPBRモデルで置き換える。
  論文  参考訳（メタデータ） (2026-04-22T17:50:03Z)
• DiffStyle3D: Consistent 3D Gaussian Stylization via Attention Optimization [22.652699040654046]
  3Dスタイルの転送により、視覚的に表現可能な3Dコンテンツを作成することができる。 DiffStyle3Dを提案する。DiffStyle3Dは3DGSスタイル転送のための新しい拡散型パラダイムである。 DiffStyle3Dは最先端の手法より優れ、より高度なスタイリゼーション品質と視覚リアリズムを実現する。
  論文  参考訳（メタデータ） (2026-01-27T15:41:11Z)
• StyleSculptor: Zero-Shot Style-Controllable 3D Asset Generation with Texture-Geometry Dual Guidance [50.207322685527394]
  StyleSculptorは、コンテンツイメージと1つ以上のスタイルイメージからスタイル誘導された3Dアセットを生成するトレーニング不要のアプローチである。 ゼロショット方式でスタイル誘導3D生成を実現し、きめ細かい3Dスタイル制御を可能にする。 実験では、StyleSculptorは、高忠実度3Dアセットの生成において、既存のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2025-09-16T17:55:20Z)
• Style3D: Attention-guided Multi-view Style Transfer for 3D Object Generation [9.212876623996475]
  Style3Dは、コンテンツ画像とスタイル画像からスタイリングされた3Dオブジェクトを生成するための新しいアプローチである。 複数のビューにまたがる構造的特徴とスタイリスティックな特徴の相互作用を確立することにより,本手法は総合的な3Dスタイリゼーションプロセスを実現する。
  論文  参考訳（メタデータ） (2024-12-04T18:59:38Z)
• DeformToon3D: Deformable 3D Toonification from Neural Radiance Fields [96.0858117473902]
  3Dトーン化には、テクスチャ化された幾何学とテクスチャで、アートドメインのスタイルをターゲットの3D顔に転送することが含まれる。 階層型3D GANに適した効果的なトーン化フレームワークであるDeformToon3Dを提案する。 提案手法は3次元トーン化を幾何学とテクスチャスタイリングのサブプロブレムに分解し,元の潜伏空間をよりよく保存する。
  論文  参考訳（メタデータ） (2023-09-08T16:17:45Z)
• HyperStyle3D: Text-Guided 3D Portrait Stylization via Hypernetworks [101.36230756743106]
  本論文は,2次元画像の中間表現として,2次元領域と3次元領域を3次元フィールドで橋渡しする3次元GANの成功に着想を得たものである。 本稿では,3次元ポートレートスタイリングのための3次元認識型GANをベースとしたHyperStyle3Dという新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T07:22:05Z)
• 3DStyleNet: Creating 3D Shapes with Geometric and Texture Style Variations [81.45521258652734]
  本稿では,3次元オブジェクトの幾何学的・テクスチャ的バリエーションを多用する手法を提案する。 提案手法は,多くの新しいスタイルの形状を作成でき,その結果,無駄な3Dコンテンツ作成とスタイルウェアデータ拡張を実現している。
  論文  参考訳（メタデータ） (2021-08-30T02:28:31Z)

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。