論文の概要: InstructMesh: Selective Refinement of Generative 3D Models for Fabrication
- arxiv url: http://arxiv.org/abs/2608.28534v1
- Date: Fri, 28 Aug 2026 17:09:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.417352
- Title: InstructMesh: Selective Refinement of Generative 3D Models for Fabrication
- Title（参考訳）: InstructMesh: 製作のための生成3次元モデルの選択的リファインメント
- Abstract要約: InstructMeshは、領域選択とターゲット操作による生成3Dモデルの選択的修復を可能にするツールである。
我々はまず、最先端の生成ツールから出力される出力の一般的な製造関連障害モードを分析した。
次に、2つのユーザ研究を行い、初心者がInstructMeshを用いて生成出力を識別し、製造関連修理を行えることを示す。
- 参考スコア（独自算出の注目度）: 58.233035582921474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in generative AI allow users to create 3D models from text or images. However, these models prioritize visual plausibility over geometric accuracy, often generating results with flaws that compromise their intended use post-fabrication. We present InstructMesh, an interactive post-generation refinement tool that enables selective repair of generative 3D models through region selection and targeted operations, such as opening or sealing voids, or adjusting local thickness. Users can invoke edit operations via natural language prompts or slider controls. By operating directly on the intermediate latent representation, InstructMesh allows users to apply robust geometric corrections without requiring expert modeling skills. To inform our design, we first analyze common fabrication-related failure modes in outputs from state-of-the-art generative tools. We then conduct two user studies, demonstrating that novices can identify and perform fabrication-relevant repairs on generative outputs using InstructMesh, and revealing user preference for hybrid interfaces that combine slider controls with natural language input.
- Abstract（参考訳）: 生成AIの最近の進歩により、ユーザーはテキストや画像から3Dモデルを作成することができる。
しかし、これらのモデルは幾何学的精度よりも視覚的可視性を優先し、しばしば彼らの意図した使用を損なう欠陥を伴う結果を生み出す。
InstructMeshというインタラクティブなポストジェネレーション・リファインメント・ツールで、領域選択や空隙の開放や封止、局所的な厚さの調整といったターゲット操作を通じて、生成3Dモデルの選択的修復を可能にする。
ユーザは自然言語プロンプトやスライダコントロールを通じて編集操作を起動できる。
中間の潜在表現を直接操作することで、InstructMeshは、専門家のモデリングスキルを必要とせずに、堅牢な幾何補正を適用することができる。
我々はまず,最先端の生成ツールから出力される出力の一般的な製造関連障害モードを解析する。
次に2つのユーザスタディを行い、初心者がInstructMeshを使って生成出力を識別し、製造関連で修復できることを示し、スライダ制御と自然言語入力を組み合わせたハイブリッドインタフェースのユーザ嗜好を明らかにする。
関連論文リスト
- High-Fidelity 3D Facial Avatar Synthesis with Controllable Fine-Grained Expressions [83.73866089033585]
本稿では,テクスチャ編集のための事前学習型3D-Aware GANモデルの潜在コードとメッシュ編集のための駆動型3DMMモデルの表現コードの両方を同時に精製して,新しいアプローチを提案する。
デュアルマッパーを最適化するために,CLIPをベースとした目的関数をターゲットとするテキスト誘導最適化手法を提案する。
論文 参考訳（メタデータ） (2026-03-16T03:25:10Z) - Proc3D: Procedural 3D Generation and Parametric Editing of 3D Shapes with Large Language Models [21.349049326631867]
Proc3Dは、リアルタイムな修正を可能にしながら編集可能な3Dモデルを生成するように設計されたシステムである。
Proc3Dは3Dモデルのグラフ表現である手続きコンパクトグラフ(PCG)を導入している。
In-context Learning (ICL) を用いた GPT-4o と微調整 LLAMA-3 モデルを用いて, Proc3D の機能を示す。
論文 参考訳（メタデータ） (2026-01-18T03:08:08Z) - StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。
最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。
結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
論文 参考訳（メタデータ） (2026-01-12T15:41:27Z) - SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling [62.89824987879374]
本研究では,3次元生成の空間的制御を明示する訓練不要なテストタイム手法であるSpaceControlを紹介する。
SpaceControlは、追加のトレーニングを必要とせずに、現代的な事前訓練された生成モデルとシームレスに統合する。
テクスチャ化された3Dアセットへの直接変換を行うために,スーパークワッドリックのオンライン編集を可能にする対話型ユーザインタフェースを提案する。
論文 参考訳（メタデータ） (2025-12-05T00:54:48Z) - INST-Sculpt: Interactive Stroke-based Neural SDF Sculpting [4.398358164188111]
本稿では,ニューラルな暗黙的表現に基づいて,インタラクティブな表面彫刻編集を可能にするフレームワークを提案する。
提案手法では,ストロークベースの修正をオンザフライで行うことができ,表現を切り替えることなく直感的な形状操作が可能である。
論文 参考訳（メタデータ） (2025-02-05T05:25:15Z) - Coin3D: Controllable and Interactive 3D Assets Generation with Proxy-Guided Conditioning [52.81032340916171]
Coin3Dを使えば、ユーザーは基本的な形状から組み立てられた粗い幾何学的プロキシを使って3D生成を制御できる。
本手法は,3次元アセット生成タスクにおいて,制御性と柔軟性に優れる。
論文 参考訳（メタデータ） (2024-05-13T17:56:13Z) - Interactive3D: Create What You Want by Interactive 3D Generation [13.003964182554572]
我々はインタラクティブな3D生成のための革新的なフレームワークであるInteractive3Dを紹介した。
実験の結果,Interactive3Dは3D生成の制御性と品質を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2024-04-25T11:06:57Z) - 3D-GPT: Procedural 3D Modeling with Large Language Models [47.72968643115063]
命令駆動3Dモデリングのための大規模言語モデル(LLM)を利用するフレームワークである3D-GPTを紹介する。
3D-GPTは、3Dモデリングタスクをアクセス可能なセグメントに分割し、各タスクにアプエージェントを割り当てる。
我々の実証調査では、3D-GPTが解釈し、指示を実行し、信頼性の高い結果を提供するだけでなく、人間デザイナーと効果的に協力することを確認した。
論文 参考訳（メタデータ） (2023-10-19T17:41:48Z) - 3D Generative Model Latent Disentanglement via Local Eigenprojection [13.713373496487012]
本稿では,3次元頭部および体メッシュの異なるニューラルネットワークに基づく生成モデルに対するスペクトル幾何学に基づく新しい損失関数を提案する。
実験結果から,我々の局所固有射影不整形(LED)モデルでは,最先端技術に対する不整形が改善されていることがわかった。
論文 参考訳（メタデータ） (2023-02-24T18:19:49Z) - Training and Tuning Generative Neural Radiance Fields for Attribute-Conditional 3D-Aware Face Generation [66.21121745446345]
本稿では,特定の属性ラベルを入力として統合した条件付きGNeRFモデルを提案する。
提案手法は, 事前学習した3次元顔モデルに基づいており, 条件付き正規化フローモジュールをトレーニングするためのTraining as Init and fidelity for Tuning (TRIOT) 方式を提案する。
本実験は,ビューの整合性を高めた高品質な編集を行う能力を示すとともに,本モデルの有効性を実証するものである。
論文 参考訳（メタデータ） (2022-08-26T10:05:39Z)
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。