論文の概要: G-Skin: Learning to Bind 3D Gaussians with Generative Visual Priors

• arxiv url: http://arxiv.org/abs/2608.01726v1
• Date: Mon, 03 Aug 2026 05:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.342116
• Title: G-Skin: Learning to Bind 3D Gaussians with Generative Visual Priors
• Title（参考訳）: G-Skin: 生成的な視覚的優先順位を持つ3Dガウスのバインディングを学ぶ
• Abstract要約: G-Skinは、3Dガウス表現による表現的かつ高忠実なアニメーションのために設計された新しい生成スキンフレームワークである。 本研究では,2次元視覚基盤モデルを利用した骨格制御可能な画像生成モデルを提案する。 G-Skinはまた、アニメーション誘発レンダリングアーティファクトを緩和するために設計された3Dガウス表現の拡張版に柔軟に一般化する。
• 参考スコア（独自算出の注目度）: 51.398600453223274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting has achieved remarkable success in photorealistic and efficient rendering, leading to a rapid increase in 3D assets represented by 3D Gaussian primitives. Directly rigging these assets with arbitrary skeleton topologies is highly desirable. However, training a feed-forward skinning framework is infeasible due to the lack of high-quality 3D Gaussian rigging datasets. An alternative solution is to transfer mesh-based techniques to 3D Gaussian-based representation, but 3D Gaussian primitives are not restricted to the surface and lack explicit topological connectivity. Moreover, this kind of method suffers from poor generalization to unseen data due to its strong dependence on training data, while acquiring high-quality rigging data is prohibitively expensive. To address this challenging problem, we propose G-Skin, a novel generative skinning framework designed for expressive and high-fidelity animation with 3D Gaussian representation. To overcome this 3D data scarcity, we introduce a skeleton-controllable image generation model leveraging 2D vision foundation models to distill powerful motion priors into pseudo-guidance. Guided by these priors, we formulate an optimization pipeline incorporating geometry-aware regularizations, which stabilizes the learning process and ensures smooth, structurally coherent skinning weights. G-Skin also generalizes flexibly to the augmented variants of 3D Gaussian representation designed to mitigate animation-induced rendering artifacts. Extensive experiments validate the effectiveness of our approach, demonstrating clear advantages over state-of-the-art methods. Project page: https://yaoyx689.github.io/GSkin.html.
• Abstract（参考訳）: 3Dガウススプラッティングは、フォトリアリスティックで効率的なレンダリングにおいて顕著な成功を収め、3Dガウスプリミティブで表される3Dアセットの急速な増加につながった。 これらの資産を任意の骨格トポロジーで直接リグすることが非常に望ましい。 しかし、高品質な3Dガウスリグデータセットが不足しているため、フィードフォワードスキンフレームワークのトレーニングは不可能である。 メッシュベースのテクニックを3Dガウス的表現に転送する別の方法もあるが、3Dガウス的プリミティブは表面に制限されず、トポロジカルな接続性に欠ける。 さらに、このような手法は、トレーニングデータに強い依存があるため、一般化が悪く、見つからないデータに苦しむ一方で、高品質なリギングデータを取得することは違法に高価である。 この課題に対処するために,G-Skinを提案する。G-Skinは3次元ガウス表現を用いた表現的かつ高忠実なアニメーションのための,新しい生成スキンフレームワークである。 この3Dデータ不足を克服するために,2次元視覚基盤モデルを利用した骨格制御可能な画像生成モデルを導入する。 これらの先駆者によって導かれ、幾何対応の正規化を取り入れた最適化パイプラインを定式化し、学習プロセスを安定させ、スムーズで構造的に整合したスキンウェイトを確保する。 G-Skinはまたアニメーションによって引き起こされるレンダリングアーティファクトを緩和するために設計された3Dガウス表現の拡張版に柔軟に一般化する。 提案手法の有効性を検証し,最先端手法に対する明らかな優位性を実証した。 プロジェクトページ: https://yaoyx689.github.io/GSkin.html

関連論文リスト

• Stereo-GS: Multi-View Stereo Vision Model for Generalizable 3D Gaussian Splatting Reconstruction [30.518107360632488]
  一般化可能な3Dガウス・スプレイティング・リコンストラクションは、高度な画像から3Dコンテンツの作成を展示する。 methodは現実世界の3Dコンテンツ生成に効率的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-20T11:33:13Z)
• GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
  単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。 モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。 最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
  論文  参考訳（メタデータ） (2024-07-05T03:43:08Z)
• Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
  3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。 その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。 正規化として有効ランクを導入し、ガウスの構造を制約する。
  論文  参考訳（メタデータ） (2024-06-17T15:51:59Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• GSGAN: Adversarial Learning for Hierarchical Generation of 3D Gaussian Splats [20.833116566243408]
  本稿では,Gaussianを3D GANの3次元表現として利用し,その効率的かつ明示的な特徴を活用する。 生成したガウスの位置とスケールを効果的に正規化する階層的多スケールガウス表現を持つジェネレータアーキテクチャを導入する。 実験結果から,最先端の3D一貫したGANと比較して,レンダリング速度(x100)が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-06-05T05:52:20Z)
• GVGEN: Text-to-3D Generation with Volumetric Representation [89.55687129165256]
  3Dガウススプラッティングは、高速で高品質なレンダリング機能で知られる3D再構成と生成のための強力な技術として登場した。 本稿では,テキスト入力から3次元ガウス表現を効率的に生成する新しい拡散型フレームワークGVGENを提案する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:52Z)
• Spec-Gaussian: Anisotropic View-Dependent Appearance for 3D Gaussian Splatting [55.71424195454963]
  Spec-Gaussian は球面調和の代わりに異方性球面ガウス場を利用するアプローチである。 実験結果から,本手法はレンダリング品質の面で既存の手法を超越していることが示された。 この改良は、3D GSの適用性を高めて、特異面と異方面の複雑なシナリオを扱う。
  論文  参考訳（メタデータ） (2024-02-24T17:22:15Z)
• AGG: Amortized Generative 3D Gaussians for Single Image to 3D [108.38567665695027]
  Amortized Generative 3D Gaussian framework (AGG) を導入する。 AGGは、共同最適化のための3Dガウス位置およびその他の外観特性の生成を分解する。 本稿では,まず3次元データの粗い表現を生成し,後に3次元ガウス超解像モジュールでアップサンプリングするカスケードパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-08T18:56:33Z)

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。