論文の概要: SpatialDiff: 3D-Aware Object Movement via Implicit Spatial Modeling

• arxiv url: http://arxiv.org/abs/2608.21776v1
• Date: Sat, 22 Aug 2026 04:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.920891
• Title: SpatialDiff: 3D-Aware Object Movement via Implicit Spatial Modeling
• Title（参考訳）: 空間ディフ:不特定空間モデルによる3次元物体運動
• Abstract要約: 本稿では,3次元空間構造の包括的理解を内部的に構築できるインプリシット3次元空間モデルを提案する。 また, 編集操作による物体の空間的位置の変化をモデルが知覚できるようにするため, 潜在空間的特徴を制約するグローバル空間的スーパービジョンを提案する。 実験により,複雑なシーンにおける空間移動の精度と忠実度を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 60.4038189368113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in image editing allow impressive manipulation of objects, existing methods still struggle to handle spatial movement in complex scenes, such as objects span different depth layers or are partially occluded. Most image editing methods focus solely on prior information from 2D datasets, emphasizing planar features while lacking support for spatial structures. Even approaches that incorporate explicit positional information fail to capture true 3D spatial relationships, thus limiting accurate object movement in complex scenes. In this paper, we present SpatialDiff, a method that effectively captures 3D spatial structures, enabling precise and consistent object movements in complex scenes. Our core innovations are twofold: (1) Implicit 3D Spatial Modeling, which introduces 3D prior knowledge and enables the model to internally build a comprehensive understanding of the three-dimensional spatial structure; and (2) Global Spatial Supervision, which constrains the latent spatial features to enable the model to perceive changes in object spatial positions caused by editing operations. Experimental results demonstrate that our method significantly improves the accuracy and fidelity of spatial movement in complex scenes.
• Abstract（参考訳）: 画像編集の最近の進歩により、オブジェクトの印象的な操作が可能になったが、既存の手法では、異なる奥行き層にまたがるオブジェクトや、部分的に隠されたオブジェクトなど、複雑なシーンでの空間的な動きを扱うのに依然として苦労している。 ほとんどの画像編集手法は、2次元データセットからの事前情報のみに焦点を合わせ、空間構造のサポートを欠き平面的特徴を強調している。 明示的な位置情報を含むアプローチでさえ、真の3次元空間的関係を捉えることができず、複雑なシーンにおける正確な物体の動きを制限する。 本稿では,3次元空間構造を効果的にキャプチャし,複雑なシーンにおける高精度で一貫した物体の動きを可能にするSpatialDiffを提案する。 1)3次元空間構造の包括的理解をモデルが内部的に構築することを可能にするインプシット3次元空間モデリング,2)編集操作による対象空間位置の変化を知覚する潜在空間特徴を制約するグローバル空間スーパービジョン,である。 実験により,複雑なシーンにおける空間移動の精度と忠実度を大幅に向上することが示された。

関連論文リスト

• RoPEMover: Depth-Aware Object Relocation via Positional Embeddings [25.069960502722296]
  拡散変圧器の位置表現を直接操作する幾何学的物体運動法を提案する。 2D RoPEを3次元空間構造を符号化する深度認識型定式化に拡張する。 本モデルは,パラメータ効率のよい微調整により,合成データと実画像の小さなセットを組み合わせて訓練する。
  論文  参考訳（メタデータ） (2026-06-25T17:45:20Z)
• PhyEdit: Towards Real-World Object Manipulation via Physically-Grounded Image Editing [24.0524480042673]
  画像編集フレームワークであるPhyEditを開発した。 このプラグアンドプレイ3Dとジョイント2D-3Dの監督を組み合わせることで,物理的精度と操作の整合性を効果的に向上する。 ペア画像と奥行きアノテーションを備えた3次元オブジェクト操作のための実世界のデータセットであるRealManip-10Kを提案する。
  論文  参考訳（メタデータ） (2026-04-08T15:53:57Z)
• Detailed Geometry and Appearance from Opportunistic Motion [44.38825288921379]
  固定カメラの粗い集合から3次元形状と外観を再構築することは、幅広い用途において基礎的な課題である。 静止カメラは局所座標フレーム内の物体の軌道を効果的に公転し、仮想的な視点を提供する。 しかし、この物体の動きを調和させることは、物体のポーズの密結合と幾何学的推定と、静的照明下で動く物体の複雑な外観変化の2つの課題をもたらす。
  論文  参考訳（メタデータ） (2026-03-27T17:59:16Z)
• HiScene: Creating Hierarchical 3D Scenes with Isometric View Generation [50.206100327643284]
  HiSceneは、2D画像生成と3Dオブジェクト生成のギャップを埋める新しい階層的なフレームワークである。 構成構造を維持しながら2次元表現に整合した3次元コンテンツを生成する。
  論文  参考訳（メタデータ） (2025-04-17T16:33:39Z)
• Dynamic Scene Understanding through Object-Centric Voxelization and Neural Rendering [57.895846642868904]
  オブジェクト中心学習が可能な動的シーンのための3次元生成モデルDynaVol-Sを提案する。 ボキセル化は、個々の空間的位置において、物体ごとの占有確率を推定する。 提案手法は2次元セマンティックな特徴を統合して3次元セマンティック・グリッドを作成し,複数の不整合ボクセル・グリッドを通してシーンを表現する。
  論文  参考訳（メタデータ） (2024-07-30T15:33:58Z)
• WALT3D: Generating Realistic Training Data from Time-Lapse Imagery for Reconstructing Dynamic Objects under Occlusion [20.014258835647716]
  本稿では,時間経過画像を用いた閉塞下での動的オブジェクトの大規模で現実的なデータセットを自動的に生成する新しいフレームワークを提案する。 既設の2D(バウンディングボックス、セグメンテーション、キーポイント)と3D(目的、形状)の予測を擬似グラウンドトゥルスとして活用することにより、未禁止の3Dオブジェクトを自動的に識別し、クリップアート形式で背景に合成する。 提案手法は,2次元と3次元の両方の再現において,特に車両や都市部で密集した物体のシナリオにおいて,顕著な改善を示すものである。
  論文  参考訳（メタデータ） (2024-03-27T21:24:20Z)
• Generating Visual Spatial Description via Holistic 3D Scene Understanding [88.99773815159345]
  視覚空間記述(VSD)は、画像内の対象物の空間的関係を記述するテキストを生成することを目的としている。 外部の3Dシーン抽出器を用いて,入力画像の3Dオブジェクトとシーン特徴を抽出する。 対象物の中心となる3次元空間シーングラフ(Go3D-S2G)を構築し,対象物の空間意味を総合的な3次元シーン内にモデル化する。
  論文  参考訳（メタデータ） (2023-05-19T15:53:56Z)
• DynaVol: Unsupervised Learning for Dynamic Scenes through Object-Centric Voxelization [67.85434518679382]
  幾何学構造と物体中心学習を統一した3次元シーン生成モデルDynaVolを提案する。 鍵となるアイデアは、シーンの3D特性を捉えるために、オブジェクト中心のボキセル化を実行することである。 ボクセルの機能は標準空間の変形関数を通じて時間とともに進化し、グローバルな表現学習の基礎を形成する。
  論文  参考訳（メタデータ） (2023-04-30T05:29:28Z)
• Object Scene Representation Transformer [56.40544849442227]
  オブジェクトシーン表現変換(OSRT: Object Scene Representation Transformer)は、新しいビュー合成を通じて、個々のオブジェクト表現が自然に現れる3D中心のモデルである。 OSRTは、既存のメソッドよりもオブジェクトとバックグラウンドの多様性が大きい、はるかに複雑なシーンにスケールする。 光電場パラメトリゼーションと新しいSlot Mixerデコーダのおかげで、合成レンダリングでは桁違いに高速である。
  論文  参考訳（メタデータ） (2022-06-14T15:40:47Z)

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。