論文の概要: FixAnything: 3D-Consistent Rendering Refinement via Video Generative Priors

• arxiv url: http://arxiv.org/abs/2608.23549v1
• Date: Mon, 24 Aug 2026 17:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.228558
• Title: FixAnything: 3D-Consistent Rendering Refinement via Video Generative Priors
• Title（参考訳）: FixAnything:ビデオ生成プライオリティによる3D一貫性のレンダリングリファインメント
• Abstract要約: 幅広いレンダリングアーティファクトを修正するためのモデルであるFixAnythingを紹介します。 これは、事前訓練されたビデオ生成モデルを再利用し、暗黙のマルチビュープリミティブを最小限の変更で活用することで実現している。 私たちの重要な洞察は、騒々しくレンダリングされたシーケンスでさえ、カメラの動きと粗いシーン構造を保ち、クリーンアップをビデオからビデオへの翻訳として定式化できるということです。
• 参考スコア（独自算出の注目度）: 46.96412859785915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rendering views using 3D scene representations such as Gaussian Splatting (3DGS), Neural Radiance Fields (NeRF), meshes, or even point clouds produces artifacts when input views are sparse or target views lie far from the input. Recent work mitigates these artifacts using diffusion-based generative priors, but is specialized to individual representations and require custom architectures or extensive retraining. We present FixAnything, a single model for fixing a wide range of rendering artifacts. It does so by repurposing a pretrained video generative model, leveraging its implicit multi-view priors with only minimal modification and lightweight finetuning. Our key insight is that even noisily-rendered sequences preserve camera motion and coarse scene structure, allowing cleanup to be formulated as video-to-video translation. To control what scene structure should be preserved, we introduce a binary mask denoting the clean pixels, enabling the model to anchor its output to high-quality inputs (e.g. training views) while refining the rest. To encourage FixAnything to produce 3D-consistent renderings that support downstream reconstruction, we use camera pose accuracy (recovered via structure-from-motion) as a reward signal for direct preference optimization (DPO). Across four distinct 3D representations, FixAnything consistently improves rendering quality with lightweight finetuning, demonstrating that a single generalist video prior can replace multiple specialist refinement pipelines. The simplicity of the framework enables immediate adoption of stronger future video models without architectural redesign.
• Abstract（参考訳）: Gaussian Splatting (3DGS), Neural Radiance Fields (NeRF), meshes, even point cloudsといった3Dシーン表現を用いたレンダリングビューは、入力ビューが疎かったり、ターゲットビューが入力から遠く離れた場合にアーティファクトを生成する。 最近の研究は、これらのアーティファクトを拡散ベースの生成前駆体を用いて緩和するが、個々の表現に特化しており、カスタムアーキテクチャや広範囲な再訓練を必要とする。 FixAnythingは、幅広いレンダリングアーティファクトを修正するための単一のモデルです。 事前訓練されたビデオ生成モデルを再利用し、暗黙のマルチビュープリミティブを最小限の修正と軽量な微調整で活用する。 私たちの重要な洞察は、騒々しくレンダリングされたシーケンスでさえ、カメラの動きと粗いシーン構造を保ち、クリーンアップをビデオからビデオへの翻訳として定式化できるということです。 シーン構造を保存するために,クリーンなピクセルを表す2値マスクを導入し,残像を補修しながら高品質な入力(例えばトレーニングビュー)に出力を固定する。 下流再生を支援する3D一貫性レンダリングを実現するために,直接優先最適化(DPO)のための報奨信号としてカメラポーズ精度(構造から移動によって復元)を用いる。 4つの異なる3D表現の中で、FixAnythingは、軽量な微調整によってレンダリング品質を継続的に改善し、単一のジェネラリストビデオが複数の専門的な精細化パイプラインを置き換えることを実証している。 フレームワークの単純さにより、アーキテクチャの再設計なしに、より強力な将来のビデオモデルがすぐに採用できるようになる。

関連論文リスト

• Training-Free Instance-Aware 3D Scene Reconstruction and Diffusion-Based View Synthesis from Sparse Images [27.013348160823828]
  未提示のRGB画像から3次元屋内シーンを再構成・理解・レンダリングする訓練自由システムを提案する。 密度の高いビューとシーンごとの最適化を必要とする従来のラディアンスフィールドアプローチとは異なり、パイプラインはトレーニングやポーズ前処理なしで高忠実度な結果が得られる。
  論文  参考訳（メタデータ） (2026-03-22T10:56:15Z)
• TAPESTRY: From Geometry to Appearance via Consistent Turntable Videos [65.99602532894241]
  明示的な3次元幾何学に基づく高忠実度TTVを生成するためのフレームワークであるTAPESTRYを紹介する。 また,3D-Aware Inpaintingを用いた多段パイプラインを特徴とする,TTV入力からの下流再構成タスクを設計する。 その結果,本手法はビデオの整合性と最終的な再現性の両方において,既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-18T14:02:09Z)
• SViM3D: Stable Video Material Diffusion for Single Image 3D Generation [48.986972061812004]
  ビデオ拡散モデルは、1つの画像から3Dオブジェクトを効率的に再構成するのに成功している。 我々は,映像拡散モデルを拡張し,空間的に変化するPBRパラメータと表面正規度を,明示的なカメラ制御に基づいて各生成したビューと共同で出力する。 このユニークなセットアップにより、私たちのモデルをニューラルプリエントとして使用した3Dアセットのリライトと生成が可能になります。
  論文  参考訳（メタデータ） (2025-10-09T14:29:47Z)
• Scaling Sequence-to-Sequence Generative Neural Rendering [37.23230422802279]
  Kaleidoは、フォトリアリスティック、統一オブジェクト、シーンレベルのニューラルレンダリングのために設計された生成モデルのファミリーである。 モデルを可能にする重要なアーキテクチャ革新を紹介します。 明示的な3D表現なしで生成的なビュー合成を行う。 参照ビューの任意の数で条件付き6-DoFターゲットビューを生成します。 シームレスに3Dおよびビデオモデリングを1つのデコーダのみの整流トランスに統一する。
  論文  参考訳（メタデータ） (2025-10-05T15:03:31Z)
• PS4PRO: Pixel-to-pixel Supervision for Photorealistic Rendering and Optimization [3.53658451351123]
  本稿では,ニューラルレンダリングのためのデータ拡張手法としてビデオフレームを提案する。 PS4PROは様々なビデオデータセットに基づいて訓練されており、暗黙的にカメラの動きと現実世界の3D幾何学をモデル化している。 以上の結果から,静的シーンと動的シーンの両方における再構成性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-28T17:35:39Z)
• VideoLifter: Lifting Videos to 3D with Fast Hierarchical Stereo Alignment [54.66217340264935]
  VideoLifterは、ローカルからグローバルへの戦略を断片的に活用する、新しいビデオから3Dパイプラインである。 再建プロセスを大幅に加速し、訓練時間を82%以上削減し、現在のSOTA法よりも視覚的品質を向上した。
  論文  参考訳（メタデータ） (2025-01-03T18:52:36Z)
• Wonderland: Navigating 3D Scenes from a Single Image [43.99037613068823]
  本研究では,映像拡散モデルからの潜伏分を利用した大規模再構成モデルを導入し,映像の3次元ガウススプラッティングをフィードフォワードで予測する。 プログレッシブ・ラーニング・ストラテジーを用いて3次元再構成モデルをトレーニングし,高品質でワイドスコープ,ジェネリックな3次元シーンの効率的な生成を可能にする。
  論文  参考訳（メタデータ） (2024-12-16T18:58:17Z)
• Denoising Diffusion via Image-Based Rendering [54.20828696348574]
  実世界の3Dシーンの高速かつ詳細な再構築と生成を可能にする最初の拡散モデルを提案する。 まず、大きな3Dシーンを効率よく正確に表現できる新しいニューラルシーン表現であるIBプレーンを導入する。 第二に,2次元画像のみを用いて,この新たな3次元シーン表現の事前学習を行うためのデノイング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-05T19:00:45Z)
• GenDeF: Learning Generative Deformation Field for Video Generation [89.49567113452396]
  我々は1つの静止画像を生成変形場(GenDeF)でワープすることで映像をレンダリングすることを提案する。 このようなパイプラインには,魅力的なメリットが3つあります。
  論文  参考訳（メタデータ） (2023-12-07T18:59:41Z)
• Differentiable Blocks World: Qualitative 3D Decomposition by Rendering Primitives [70.32817882783608]
  本稿では,3次元プリミティブを用いて,シンプルでコンパクトで動作可能な3次元世界表現を実現する手法を提案する。 既存の3次元入力データに依存するプリミティブ分解法とは異なり,本手法は画像を直接操作する。 得られたテクスチャ化されたプリミティブは入力画像を忠実に再構成し、視覚的な3Dポイントを正確にモデル化する。
  論文  参考訳（メタデータ） (2023-07-11T17:58:31Z)

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。