論文の概要: GLOSS: Geometric Local Self-Similarity Learning for Faithful Reference-Guided Texture Fill

• arxiv url: http://arxiv.org/abs/2608.25461v1
• Date: Wed, 26 Aug 2026 07:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-13 18:05:10.737229
• Title: GLOSS: Geometric Local Self-Similarity Learning for Faithful Reference-Guided Texture Fill
• Title（参考訳）: GLOSS: 忠実なリファレンスガイド型テクスチャフィルのための幾何学的局所的自己相似学習
• Abstract要約: テクスチャ品質の基準線や同等の幾何学を有望な研究方向として示す。 トレーニングされたテクスチャモデルにより、局所幾何学モデルの完成も可能となる。 人為的な生成形状によってテクスチャやメッシュを埋めるために3次元形状を利用する。
• 参考スコア（独自算出の注目度）: 7.138018425649151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using conditional image generators, texture artists can explore many single-view looks for an existing 3D shape. Despite impressive progress, state-of-the-art generative methods still struggle to generate a full object texture while closely adhering to fine scale geometric detail and single view references, leaving little room for artists guidance. Furthermore, current automatic models lack the flexibility for artist to explore multiple textures from varied sources in an interactive and controllable manner. Unlike methods trained on large 3D datasets that generate full object textures from global guidance, our work explores a local and less data-hungry approach to texture with explicit artist control. We leverage the geometric self-similarity and geometry-texture correlation existing in many natural and man-made shapes; and train a shape-specific local texture generation and completion model. This model learns from existing image model priors and a single 3D shape, and is guided by attending to a set of geometry-aware reference patches. The trained shape-specific network can transfer any novel reference to the full target object texture through patchwise inpainting. We show improved or comparable quality to strong image-conditioned texture generation baselines, suggesting local texturing as a promising research direction. Our model also enables local geometry-conditioned texture inpainting, guided by artist-selected references, and generalizes to PBR materials and unseen meshes for texture transfer. We piloted our novel texture fill capability as a Blender addon with several 3D texturing professionals who reported positive feedback on the model's controllability, practical usefulness, and creative affordances.
• Abstract（参考訳）: 条件付きイメージジェネレータを使うことで、テクスチャアーティストは既存の3D形状を探し出すことができる。 目覚ましい進歩にもかかわらず、最先端の生成手法は、幾何学的詳細や単一のビュー参照をきめ細やかに調整しながら、完全なオブジェクトテクスチャを生成するのに依然として苦労しており、アーティストの指導を受ける余地はほとんど残っていない。 さらに、現在の自動モデルは、インタラクティブで制御可能な方法で、様々なソースから複数のテクスチャを探索する柔軟性に欠けています。 グローバルガイダンスから完全なオブジェクトテクスチャを生成する大規模な3Dデータセットで訓練された手法とは異なり、我々の研究は、明示的なアーティストコントロールによるテクスチャへの局所的かつ少ないデータハングリーアプローチを探索する。 自然および人工の多くの形状に存在する幾何学的自己相似性と幾何学的テクスチャ相関を活用し,形状特異的な局所テクスチャ生成と完成モデルを訓練する。 このモデルは、既存の画像モデルと1つの3次元形状から学習し、幾何対応の参照パッチのセットに参加することでガイドされる。 トレーニングされた形状特化ネットワークは、パッチワイドに塗布することで、対象物全体のテクスチャに対する新しい参照を転送することができる。 画像条件の強いテクスチャ生成ベースラインに匹敵する改善あるいは同等の品質を示し、将来性のある研究方向として局所テクスチャリングを提案する。 また, このモデルにより, 局所的な幾何学的テクスチャ塗装が可能となり, アーティストが選択した参照によってガイドされ, PBR材料や未知メッシュに一般化され, テクスチャ転送が可能となる。 我々は,モデルの制御性,実用性,創造性に対する肯定的なフィードバックを報告した,数名の3Dテクスチャ・プロフェッショナルによるブレンダーアドオンとして,新しいテクスチャ・フィル機能を試験した。

関連論文リスト

• TriTex: Learning Texture from a Single Mesh via Triplane Semantic Features [78.13246375582906]
  本研究では,1つのテクスチャメッシュから体積テクスチャ場を学習し,セマンティックな特徴を対象色にマッピングする手法を提案する。 本手法は,ゲーム開発などのアプリケーションにおいて,3次元モデル間で優れたテクスチャ品質を実現する。
  論文  参考訳（メタデータ） (2025-03-20T18:35:03Z)
• TextureDreamer: Image-guided Texture Synthesis through Geometry-aware Diffusion [64.49276500129092]
  TextureDreamerは画像誘導型テクスチャ合成法である。 少数の入力画像から任意のカテゴリでターゲットの3D形状に光沢のあるテクスチャを転送することができる。
  論文  参考訳（メタデータ） (2024-01-17T18:55:49Z)
• TexFusion: Synthesizing 3D Textures with Text-Guided Image Diffusion Models [77.85129451435704]
  大規模誘導画像拡散モデルを用いて3次元テクスチャを合成する手法を提案する。 具体的には、潜時拡散モデルを利用し、セット・デノナイジング・モデルと集合・デノナイジング・テキスト・マップを適用する。
  論文  参考訳（メタデータ） (2023-10-20T19:15:29Z)
• TwinTex: Geometry-aware Texture Generation for Abstracted 3D Architectural Models [13.248386665044087]
  我々はTwinTexについて紹介する。TwinTexは写真にリアルなテクスチャを生成する最初の自動テクスチャマッピングフレームワークである。 提案手法は, 高品質なテクスチャマッピング手法を超越し, より少ない労力で, 熟練した生産水準に達する。
  論文  参考訳（メタデータ） (2023-09-20T12:33:53Z)
• TADA! Text to Animatable Digital Avatars [57.52707683788961]
  TADAはテキスト記述を取り込み、高品質な幾何学とライフスタイルのテクスチャを備えた表現力のある3Dアバターを生産する。 我々は3次元変位とテクスチャマップを備えたSMPL-Xから最適化可能な高分解能ボディモデルを導出した。 我々は、生成した文字の正規表現とRGB画像をレンダリングし、SDSトレーニングプロセスにおけるそれらの潜伏埋め込みを利用する。
  論文  参考訳（メタデータ） (2023-08-21T17:59:10Z)
• ShaDDR: Interactive Example-Based Geometry and Texture Generation via 3D Shape Detailization and Differentiable Rendering [24.622120688131616]
  ShaDDRは、高分解能なテクスチャ化された3D形状を生成するサンプルベースのディープ生成ニューラルネットワークである。 本手法は,マルチレゾリューションボクセルアップサンプリングによる幾何学の精密化と,ボクセル表面のテクスチャの生成を学習する。 生成された形状は、入力された粗いボクセルモデルの全体構造を保存する。
  論文  参考訳（メタデータ） (2023-06-08T02:35:30Z)
• TEXTure: Text-Guided Texturing of 3D Shapes [71.13116133846084]
  TEXTureは,テクスチャのテクスチャのテクスチャの編集,編集,転送を行う新しい方法である。 表面テクスチャを明示することなくシームレスな3次元テクスチャを生成する3次元マップ分割プロセスを定義する。
  論文  参考訳（メタデータ） (2023-02-03T13:18:45Z)
• 3DAvatarGAN: Bridging Domains for Personalized Editable Avatars [75.31960120109106]
  3D-GANは、一貫した構造を持つ大規模データセットのトレーニングにより、幾何学とテクスチャを合成する。 本稿では,ソースドメインが事前訓練された3D-GANであり,ターゲットドメインが2D-GANである適応フレームワークを提案する。 本稿では,芸術領域の誇張された幾何学をモデル化するための変形に基づく手法について述べる。
  論文  参考訳（メタデータ） (2023-01-06T19:58:47Z)

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。