論文の概要: View-Adaptive Renderer for View-Consistent 2D-to-3D Generation
- arxiv url: http://arxiv.org/abs/2608.09110v1
- Date: Mon, 10 Aug 2026 04:28:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.080086
- Title: View-Adaptive Renderer for View-Consistent 2D-to-3D Generation
- Title（参考訳）: ビュー整合型2D-to-3D生成のためのビュー適応レンダ
- Abstract要約: 単一の画像から3D形状を再構築することは、コンピュータビジョンの根本的な問題でありながら難しい問題である。
従来の単分子3D生成パイプラインは、Neural Radiance Field (NeRF)ベースの再構成を適用する前に、1つの入力画像から複数のビューを合成する。
本稿では、部分的に矛盾したマルチビュー入力をしても頑健な3次元再構成を可能にする視点適応型レンダリングニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 2.8951915538170288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing 3D shapes from a single image remains a fundamental yet challenging problem in computer vision. Traditional monocular 3D generation pipelines typically synthesize multiple views from a single input image before applying Neural Radiance Field (NeRF)-based reconstruction. However, inherent projective ambiguities often produce visual discontinuities across generated viewpoints, leading to inaccuracies in reconstructed 3D models. Current solutions either incur significant additional computational burdens or fail to adequately resolve practical inconsistencies between synthesized views. To address these limitations, we propose a novel viewpoint-adaptive neural rendering framework that enables robust 3D reconstruction even when given partially inconsistent multi-view inputs. Our approach introduces view-adaptive neural renderers that independently correct viewpoint-dependent errors while simultaneously sharing a global feature backbone to preserve structural coherence. Furthermore, we propose a self-attention fusion module that adaptively integrates multi-view information, ensuring geometric consistency without relying heavily on indirect regularizations or computationally intensive methods. Through extensive experiments, we demonstrate that our method consistently improves 3D reconstruction fidelity. Importantly, our approach achieves near state-of-the-art performance without diffusion-based SDS supervision, relying primarily on photometric rendering loss with lightweight attention regularizers. This balance between accuracy and efficiency makes the proposed framework highly practical for real-world applications.
- Abstract（参考訳）: 単一の画像から3D形状を再構築することは、コンピュータビジョンの根本的な問題でありながら難しい問題である。
従来の単分子3D生成パイプラインは、Neural Radiance Field (NeRF)ベースの再構成を適用する前に、1つの入力画像から複数のビューを合成する。
しかし、固有の射影的曖昧さは、しばしば生成された視点に視覚的不連続を生じさせ、再構成された3Dモデルにおいて不正確な結果をもたらす。
現在のソリューションは、重要な計算負荷を発生させるか、あるいは合成ビュー間の現実的な不整合を適切に解決できないかのいずれかである。
これらの制約に対処するために、部分的に一貫性のないマルチビュー入力が与えられた場合でも、堅牢な3次元再構成を可能にする、視点適応型ニューラルレンダリングフレームワークを提案する。
提案手法では,構造的コヒーレンスを維持するために,グローバルな特徴バックボーンを同時に共有しながら,視点依存誤差を独立に補正するビュー適応型ニューラルレンダを導入している。
さらに,多視点情報を適応的に統合し,間接正規化や計算集約的な手法に大きく依存することなく,幾何整合性を確保する自己注意融合モジュールを提案する。
広範にわたる実験により,本手法は連続的に3次元再構成忠実度を向上することを示した。
重要なことは,本手法は拡散に基づくSDSの監督を伴わずに,軽量アテンションレギュレータを用いたフォトメトリックレンダリングの損失に大きく依存する。
この精度と効率のバランスにより、提案したフレームワークは現実世界のアプリケーションに非常に実用的である。
関連論文リスト
- DualDiff3D: Dual Structure-Appearance Diffusion Priors for Reliability-Enhanced 3D Gaussian Splatting [71.316050612276]
3次元再構成と新規ビュー合成は、しばしばレンダリングされた新規ビューの再現品質とアーティファクトを低下させる。
最近の試みは、強力な拡散前処理を活用しようとするが、通常は1つのネットワークで追加の次元に沿ってレンダリングと参照ビューを処理している。
本稿では,2つの拡散先行処理を,SAAモジュールで実現する新しいパイプラインであるDualDiffを提案する。
提案手法は推論のみの設定でも最先端の手法よりも優れており,さらなる性能向上はトレーニングによって達成できる。
論文 参考訳（メタデータ） (2026-09-01T16:45:53Z) - ReconViaGen: Towards Accurate Multi-view 3D Object Reconstruction via Generation [28.308731720451053]
我々はReconViaGenを提案する。
我々のReconViaGenは、グローバルな構造と局所的な詳細の両方において、入力ビューと整合した完全かつ正確な3Dモデルを再構築できることを実証した。
論文 参考訳（メタデータ） (2025-10-27T13:15:06Z) - CHROMA: Consistent Harmonization of Multi-View Appearance via Bilateral Grid Prediction [30.088316989385106]
カメラパイプラインは、露光調整、ホワイトバランス、色補正など、デバイス上の広範な処理を適用する。
外観の変化は複数ビューの一貫性に反し、新しいビュー合成を劣化させる。
多視点一貫した方法で測光変動を補正するために、空間適応型二元格子を予測できる一般化可能なフィードフォワード手法を提案する。
論文 参考訳（メタデータ） (2025-07-21T16:03:58Z) - DeOcc-1-to-3: 3D De-Occlusion from a Single Image via Self-Supervised Multi-View Diffusion [50.90541069907167]
閉塞型マルチビュー生成のためのエンドツーエンドフレームワークであるDeOcc-1-to-3を提案する。
私たちの自己教師型トレーニングパイプラインは、隠蔽されたイメージペアと擬似地上構造ビューを活用して、モデル構造を意識した補完とビュー整合性を教える。
論文 参考訳（メタデータ） (2025-06-26T17:58:26Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - MagicMan: Generative Novel View Synthesis of Humans with 3D-Aware Diffusion and Iterative Refinement [23.707586182294932]
単一画像再構成における既存の作業は、訓練データ不足や総合的な多視点知識の欠如による3次元不整合により、弱い一般化性に悩まされている。
単一の参照画像から高品質な新規ビュー画像を生成するために設計された,人間固有の多視点拡散モデルであるMagicManを紹介する。
論文 参考訳（メタデータ） (2024-08-26T12:10:52Z) - GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。
提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
論文 参考訳（メタデータ） (2024-05-17T07:31:20Z) - 2L3: Lifting Imperfect Generated 2D Images into Accurate 3D [16.66666619143761]
マルチビュー(MV)3次元再構成は,生成したMV画像を一貫した3次元オブジェクトに融合させる,有望なソリューションである。
しかし、生成された画像は、通常、一貫性のない照明、不整合幾何学、スパースビューに悩まされ、復元の質が低下する。
本稿では, 内在的分解誘導, 過渡的モノ先行誘導, および3つの問題に対処するための視認性向上を活用する新しい3次元再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-29T02:30:31Z) - Learning to Render Novel Views from Wide-Baseline Stereo Pairs [26.528667940013598]
本稿では,単一の広線ステレオ画像ペアのみを付与した新しいビュー合成手法を提案する。
スパース観測による新しいビュー合成への既存のアプローチは、誤った3次元形状の復元によって失敗する。
対象光線に対する画像特徴を組み立てるための,効率的な画像空間のエピポーラ線サンプリング手法を提案する。
論文 参考訳（メタデータ） (2023-04-17T17:40:52Z) - High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。
提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
論文 参考訳（メタデータ） (2022-11-28T18:59:52Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳（メタデータ） (2022-06-01T17:58:15Z)
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。