論文の概要: Owner3D: Ownership-Guided Style Writing for Training-Free Localized 3D Stylization

• arxiv url: http://arxiv.org/abs/2608.14078v1
• Date: Fri, 14 Aug 2026 08:41:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.328882
• Title: Owner3D: Ownership-Guided Style Writing for Training-Free Localized 3D Stylization
• Title（参考訳）: Owner3D: 学習不要な3Dスタイリゼーションのためのオーナシップガイド型スタイルライティング
• Abstract要約: 局所的な3Dスタイリングは、残った表面を保存しながら、指定された対象部分の外観を変更することを目的としている。 本稿では,ローカライズされた3Dスタイリングのためのトレーニングフリーフレームワークである Owner3D を提案する。 オーナ3Dは、ターゲット領域スタイルの忠実さと非ターゲットの外観保存において、既存の3Dスタイリング手法より一貫して優れている。
• 参考スコア（独自算出の注目度）: 3.966871834776678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localized 3D stylization aims to modify the appearance of a specified object part while preserving the remaining surfaces. In large reconstruction models (LRMs), this task is challenging because style is injected into intermediate appearance representations before rendering, while compact triplane features are shared across target and non-target surfaces, causing style leakage and boundary ambiguity. We propose Owner3D, a training-free framework for localized 3D stylization that integrates localized appearance control directly into the LRM reconstruction process. Specifically, Owner3D introduces ownership-guided style writing to restrict reference-style injection to target regions, producing a single localized stylized triplane without additional training while avoiding separate global style and appearance representations. To resolve appearance ambiguity near semantic boundaries, we further introduce boundary dual slots that maintain separate local feature sources for target and non-target regions. Finally, a surface-first texture readout hierarchically combines surface, 3D, and triplane ownership evidence to robustly recover appearance under incomplete visibility. Experiments on a benchmark constructed from Google Scanned Objects and PartNet demonstrate that Owner3D consistently outperforms existing 3D stylization methods in target-region style fidelity and non-target appearance preservation, reducing appearance leakage by 86.4% and 89.9% compared with StyleSplat and LAENeRF, respectively.
• Abstract（参考訳）: 局所的な3Dスタイリングは、残った表面を保存しながら、指定された対象部分の外観を変更することを目的としている。 大型リコンストラクションモデル(LRM)では、レンダリングの前にスタイルが中間的な外観表現に注入されるのに対して、コンパクトな三面体の特徴はターゲット面と非ターゲット面の間で共有され、スタイルの漏れや境界のあいまいさを引き起こすため、この課題は困難である。 本稿では,LRM再構築プロセスに直接ローカライズされた外観制御を統合する,ローカライズド3Dスタイリゼーションのためのトレーニングフリーフレームワークである Owner3D を提案する。 具体的には、オーナ3Dは、ターゲット領域への参照スタイル注入を制限するためのオーナシップ型スタイル記述を導入し、異なるグローバルスタイルと外観表現を避けながら、追加のトレーニングをすることなく、単一のローカライズされたスタイリング三葉機を生成する。 セマンティック・バウンダリ付近の外観の曖昧さを解決するために,ターゲット領域と非ターゲット領域の異なる特徴源を維持する境界二重スロットを導入する。 最後に、表面ファーストテクスチャの読み出しは、表面、3D、三葉飛行機の所有証拠を階層的に組み合わせ、不完全な視界下での外観を確実に回復する。 Google Scanned Objects と PartNet で構築されたベンチマーク実験では、StyleSplat と LAENeRF と比較して、オーナ3D はターゲット領域スタイルの忠実さと非ターゲット外観の保存において既存の3Dスタイリング手法を一貫して上回り、外観リークを86.4% と 89.9% に減らした。

関連論文リスト

• OrnaStyler: Ornament-Aware Latent Editing for Content-Preserving 3D Stylization [1.6167338069359338]
  OrnaStylerはテキスト誘導による装飾を意識した3Dスタイリングのためのフレームワークである。 私たちの中核となる考え方は、スタイリスティック要素の空間構成を明示的にモデル化することである。 OrnaStylerは、コンテンツ保存、スタイルの忠実さ、全体的な視覚的リアリズムの観点から、最先端の編集性能を達成する。
  論文  参考訳（メタデータ） (2026-08-30T17:00:39Z)
• DreamStyle3D: Efficient 3D Stylized Asset Generation via Dual-Attention Disentanglement [74.22884364407646]
  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。
  論文  参考訳（メタデータ） (2026-07-27T17:55:21Z)
• 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)
• Error-Driven Scene Editing for 3D Grounding in Large Language Models [71.41120775319088]
  近年の3D-LLMの進歩にもかかわらず、3D環境における視覚的および空間的要素に正確に接地する言語に限られている。 この制限は、3Dリソースの不足による空間的理解よりも、言語推論に焦点を当てたトレーニングデータに起因している。 本稿では,これらのバイアスを緩和する正確な視覚的カウンターファクトを生成するための重要なメカニズムとして,3Dシーン編集を提案する。
  論文  参考訳（メタデータ） (2025-11-18T03:13:29Z)
• 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)
• Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation [54.04601077224252]
  身近なシーン理解には、視覚空間情報の理解だけでなく、3D物理世界における次の探索場所の決定も必要である。 アンダーラインテキストbf3D視覚言語学習は、エンボディエージェントが環境を効果的に探索し理解することを可能にする。 モデルの汎用性は、カテゴリ、言語記述、参照イメージなど、多様な入力モダリティを使ったナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2025-07-05T14:15:52Z)
• StyleMe3D: Stylization with Disentangled Priors by Multiple Encoders on 3D Gaussians [23.1385740508835]
  StyleMe3Dは3D GSスタイルの転送のための総合的なフレームワークである。 マルチモーダルスタイルのコンディショニング、マルチレベルセマンティックアライメント、知覚的品質向上を統合している。 この作品は、フォトリアリスティックな3D GSと芸術的なスタイリング、ゲーム、バーチャルワールド、デジタルアートのアンロックを橋渡しする。
  論文  参考訳（メタデータ） (2025-04-21T17:59:55Z)
• 3DStyleGLIP: Part-Tailored Text-Guided 3D Neural Stylization [1.3654846342364306]
  3Dスタイリングは、特定のスタイルを三次元オブジェクトに適用することで、かなりの商業的可能性を秘めている。 近年の人工知能とテキスト駆動操作手法の進歩により、スタイリゼーションプロセスは直感的かつ自動化されつつある。 3DStyleGLIPはテキスト駆動3Dスタイリングに特化して設計された新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-04-03T10:44:06Z)
• ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
  本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。 オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
  論文  参考訳（メタデータ） (2023-11-29T20:30:18Z)
• 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)

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。