論文の概要: Chat-Edit-3D++: Interactive 3D and 4D Scene Editing via Large Language Models

• arxiv url: http://arxiv.org/abs/2608.29137v1
• Date: Sat, 29 Aug 2026 08:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.859629
• Title: Chat-Edit-3D++: Interactive 3D and 4D Scene Editing via Large Language Models
• Title（参考訳）: Chat-Edit-3D++:大規模言語モデルによるインタラクティブな3Dおよび4Dシーン編集
• Abstract要約: Hash-Atlasネットワークは2次元アトラス画像の操作として3Dシーン編集を再構成する。 本稿では,CE3D++と呼ばれる対話型3Dシーン編集手法を提案する。 その結果、CE3D++は複数のビジュアルモデルを効果的に統合し、多様なビジュアル編集効果を実現することを示した。
• 参考スコア（独自算出の注目度）: 57.59888019135289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work on image content manipulation based on vision-language pre-training models has been effectively extended to text-driven 3D scene editing. However, existing schemes for 3D scene editing still have certain shortcomings, hindering their further development as interactive design tools. Such schemes typically adhere to fixed input patterns, limiting flexibility in text input. Furthermore, their editing capabilities are constrained by a single or a few 2D visual models and require intricate pipeline design to integrate these models into 3D reconstruction processes. To address the aforementioned issues, we propose the Hash-Atlas network, which reformulates 3D scene editing as operations on 2D atlas images, thereby achieving a workflow decoupling of the 2D editing and 3D reconstruction processes. Building on this foundation, we introduce a dialogue-based 3D scene editing approach, termed CE3D++, which is centered on a large language model (LLM) that allows arbitrary textual input from users and interprets their intentions, subsequently facilitating the autonomous invocation of the corresponding visual models. Additionally, we extend CE3D++ to monocular 4D scenes by imposing motion constraints on moving objects and further fine-tuning the LLM by creating a trajectory dataset related to editing tasks, which enables the smaller LLM to schedule up to 30 different visual tools accurately. Experimental results demonstrate that CE3D++ effectively integrates multiple visual models to achieve diverse visual editing effects, possessing strong scene comprehension and multi-round dialog capabilities. The source codes and trained models are available at https://github.com/Fangkang515/CE3D.
• Abstract（参考訳）: 視覚言語事前学習モデルに基づく画像コンテンツ操作に関する最近の研究は、テキスト駆動の3Dシーン編集に効果的に拡張されている。 しかし、既存の3Dシーン編集方式には欠点があり、インタラクティブなデザインツールとしての開発を妨げている。 このようなスキームは典型的には固定された入力パターンに固執し、テキスト入力の柔軟性を制限する。 さらに、それらの編集機能は、単一のまたは少数の2次元視覚モデルによって制限されており、これらのモデルを3次元再構成プロセスに統合するために複雑なパイプライン設計が必要である。 上記の問題に対処するため,Hash-Atlas ネットワークを提案する。Hash-Atlas ネットワークは,2次元アトラス画像の操作として3次元シーン編集を再構成し,2次元編集と3次元再構成のワークフロー分離を実現する。 本稿では,対話型3Dシーン編集手法であるCE3D++を紹介する。CE3D++は,ユーザからの任意のテキスト入力と意図の解釈が可能な大言語モデル(LLM)を中心に,対話型3Dシーン編集手法である。 さらに、CE3D++をモノクロ4Dシーンに拡張し、移動物体に動きの制約を課し、編集タスクに関連する軌跡データセットを作成してLLMを微調整することで、より小さなLCMが30種類の視覚ツールを正確にスケジュールできるようにする。 実験の結果,CE3D++は複数の視覚モデルを効果的に統合し,多様な視覚的編集効果を実現し,シーン理解と多ラウンド対話機能を有することがわかった。 ソースコードとトレーニングされたモデルはhttps://github.com/Fangkang515/CE3Dで公開されている。

関連論文リスト

• EditSSC: Toward Editable Semantic Occupancy Scenes with Unconditional Diffusion Models [58.566303405645726]
  本稿では,3Dセマンティックシーン生成のための編集対応手法であるEditSSCを提案する。 提案手法は, セマンティック占有網を多チャンネルBEV画像に置き換える。 コードブックのクラス間対応を利用することで、スケッチ誘導生成、インペイント、アウトペイントをサポートでき、再学習は不要である。
  論文  参考訳（メタデータ） (2026-06-08T09:41:37Z)
• Free-Form Scene Editor: Enabling Multi-Round Object Manipulation like in a 3D Engine [83.0145525456509]
  実世界の画像に対して直感的で物理的に一貫性のあるオブジェクト編集を可能にする3D対応フレームワークであるFFSEを提案する。 画像空間で動作したり、遅くてエラーを起こしやすい3D再構成を必要とする従来のアプローチとは異なり、FFSEは学習された3D変換のシーケンスとして編集する。 マルチラウンド3Dオブジェクト操作の学習を支援するために,3DObjectEditorを導入する。
  論文  参考訳（メタデータ） (2025-11-17T18:57:39Z)
• EditRoom: LLM-parameterized Graph Diffusion for Composable 3D Room Layout Editing [114.14164860467227]
  自然言語コマンドで様々なレイアウト編集を実行できるフレームワークであるEditRoomを提案する。 特にEditRoomは、コマンドプランニングとターゲットシーンの生成にLarge Language Models(LLM)を利用している。 既存の3Dシーンデータセットを拡張する自動パイプラインを開発し,83kの編集ペアを備えた大規模データセットであるEditRoom-DBを導入した。
  論文  参考訳（メタデータ） (2024-10-03T17:42:24Z)
• 3DEgo: 3D Editing on the Go! [6.072473323242202]
  本稿では,テキストプロンプトで案内されたモノクロ映像から3Dシーンを直接合成する新しい問題に対処する3DEgoを紹介する。 本フレームワークは,従来のマルチステージ3D編集プロセスを一段階のワークフローに合理化する。 3DEgoは、様々なビデオソースの編集精度、速度、適応性を示す。
  論文  参考訳（メタデータ） (2024-07-14T07:03:50Z)
• Chat-Edit-3D: Interactive 3D Scene Editing via Text Prompts [76.73043724587679]
  CE3Dと呼ばれる対話型3Dシーン編集手法を提案する。 Hash-Atlasは3Dシーンビューを表し、3Dシーンの編集を2Dアトラスイメージに転送する。 その結果、CE3Dは複数の視覚モデルを効果的に統合し、多様な視覚効果が得られることを示した。
  論文  参考訳（メタデータ） (2024-07-09T13:24:42Z)
• Editing 3D Scenes via Text Prompts without Retraining [80.57814031701744]
  DN2Nはテキスト駆動編集方式であり、普遍的な編集機能を備えたNeRFモデルの直接取得を可能にする。 本手法では,2次元画像のテキストベース編集モデルを用いて3次元シーン画像の編集を行う。 本手法は,外観編集,天気変化,材質変化,スタイル伝達など,複数種類の編集を行う。
  論文  参考訳（メタデータ） (2023-09-10T02:31:50Z)
• OBJECT 3DIT: Language-guided 3D-aware Image Editing [27.696507467754877]
  既存の画像編集ツールは、画像が投影される基礎となる3D幾何学を無視している。 画像中のオブジェクトは、下層の3Dシーンの文脈で、言語命令に従って編集されるべきである。 我々は,手続き的に生成された3Dシーンから作成した400Kの編集例からなるデータセットOBJECTをリリースした。 私たちのモデルでは、周囲の物体、表面、照明条件、影、物理的に表現可能な物体構成など、シーン全体の3D構成を理解する能力が印象的です。
  論文  参考訳（メタデータ） (2023-07-20T17:53:46Z)

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。