論文の概要: PLSR: Progressive and Localized Super-Resolution of 3D Objects via Localized Latent Voxel Diffusion

• arxiv url: http://arxiv.org/abs/2609.06436v1
• Date: Sun, 06 Sep 2026 07:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 05:39:04.863909
• Title: PLSR: Progressive and Localized Super-Resolution of 3D Objects via Localized Latent Voxel Diffusion
• Title（参考訳）: PLSR: 局所潜在ボクセル拡散による3次元物体の進行的・局所的超解像
• Abstract要約: 高分解能な3Dアセット生成は、様々な3Dアプリケーションにおいて不可欠である。 既存の最先端拡散ベースのモデルは、固定解像度によって制約される。 既存の3次元生成基盤モデルに基づく3次元超解像フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.63283515238481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution 3D asset generation is vital in various 3D applications. Existing state-of-the-art diffusion-based models remain constrained by fixed resolutions, limiting their ability to produce details. In this paper, we tackle the challenge of generating more detailed, higher-resolution 3D objects by introducing a 3D super-resolution (SR) framework built on existing 3D generative foundation models. To this end, we design PLSR, a progressive and localized super-resolution solution to achieve this goal effectively and memory efficiently. Technically, given a coarse geometry from a pretrained 3D generator, we decompose the global SR task into localized sub-tasks via an associative input decomposition scheme, adapt a flow-based 3D generator into a localized super-resolution model through low-cost finetuning, and unify them in an iterative patch-wise denoising pipeline for seamless high-resolution output. Experiments on challenging objects show that our approach is able to generate 3D details with new strong fine-detail fidelity while significantly reducing the computational cost, offering a new and practical solution for high-resolution 3D asset generation.
• Abstract（参考訳）: 高分解能な3Dアセット生成は、様々な3Dアプリケーションにおいて不可欠である。 既存の最先端拡散モデルでは、未解決の解像度に制約され、詳細を生成できる能力は制限されている。 本稿では,既存の3次元生成基盤モデル上に構築された3次元超解像(SR)フレームワークを導入することで,より詳細で高解像度な3Dオブジェクトを生成するという課題に取り組む。 そこで我々は,この目標を効果的に,かつ効率的に記憶するために,プログレッシブで局所化された超解解であるPLSRを設計する。 技術的には、事前訓練された3Dジェネレータからの粗い幾何を考慮し、グローバルSRタスクを連想的な入力分解スキームを介して局所的なサブタスクに分解し、フローベースの3Dジェネレータを低コストの微調整により局所的な超解像モデルに適応させ、それらをシームレスな高分解能出力のための反復パッチワイズパイプラインに統一する。 挑戦対象に関する実験から,本手法では,高解像度の3Dアセット生成のための新しい実用的なソリューションを提供するとともに,計算コストを大幅に削減しながら,より高精細な忠実度で3Dディテールを生成できることが示されている。

関連論文リスト

• Bridging Diffusion Models and 3D Representations: A 3D Consistent Super-Resolution Framework [51.20764440735875]
  提案する3次元超解像(3DSR)は,新しい3次元ガウス散乱に基づく超解像フレームワークである。 3DSRは、明示的な3Dガウススプレイティングベースのシーン表現を使用することで、ビュー間の3D一貫性を促進する。 MipNeRF360およびLLFFデータ上で3DSRを評価し,視覚的に魅力的な高分解能な結果が得られることを示した。
  論文  参考訳（メタデータ） (2025-08-06T05:12:02Z)
• Hyper3D: Efficient 3D Representation via Hybrid Triplane and Octree Feature for Enhanced 3D Shape Variational Auto-Encoders [43.61384205458698]
  3Dコンテンツ生成パイプラインは、しばしば変分オートエンコーダ(VAE)を利用して、形状をコンパクトな潜在表現にエンコードする。 我々は,ハイブリッド3次元平面とオクツリーを融合した効率的な3次元表現により,VAE再構成を向上するHyper3Dを紹介する。 実験の結果,Hyper3Dは3次元形状を高忠実度で細部まで再現することで従来の表現よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-13T14:26:43Z)
• TripoSG: High-Fidelity 3D Shape Synthesis using Large-Scale Rectified Flow Models [69.0220314849478]
  TripoSGは、入力画像に正確に対応した高忠実度3Dメッシュを生成することができる新しい合理化形状拡散パラダイムである。 結果として得られた3D形状は、高解像度の能力によって細部が強化され、入力画像に異常な忠実さを示す。 3Dジェネレーションの分野における進歩と革新を促進するため、我々はモデルを一般公開する。
  論文  参考訳（メタデータ） (2025-02-10T16:07:54Z)
• SuperNeRF-GAN: A Universal 3D-Consistent Super-Resolution Framework for Efficient and Enhanced 3D-Aware Image Synthesis [59.73403876485574]
  本稿では,3次元連続超解像のための汎用フレームワークであるSuperNeRF-GANを提案する。 SuperNeRF-GANの重要な特徴は、NeRFベースの3D認識画像合成手法とのシームレスな統合である。 実験により, 提案手法の効率性, 3次元整合性, 品質が示された。
  論文  参考訳（メタデータ） (2025-01-12T10:31:33Z)
• Direct and Explicit 3D Generation from a Single Image [25.207277983430608]
  マルチビュー2次元深度画像とRGB画像を用いて表面形状とテクスチャを直接生成する新しいフレームワークを提案する。 画素レベルの多視点整合性を実現するために,エピポーラの注意を潜時から画素間デコーダに組み込む。 生成した深度画素を3次元空間にバックプロジェクションすることにより、構造化された3次元表現を生成する。
  論文  参考訳（メタデータ） (2024-11-17T03:14:50Z)
• DiffTF++: 3D-aware Diffusion Transformer for Large-Vocabulary 3D Generation [53.20147419879056]
  拡散型フィードフォワードフレームワークを導入し,単一モデルで課題に対処する。 TransFormerを用いた3D対応拡散モデルを構築し,より強力な3D生成,すなわちDiffTF++を提案する。 ShapeNetとOmniObject3Dの実験は、提案したモジュールの有効性を確実に実証している。
  論文  参考訳（メタデータ） (2024-05-13T17:59:51Z)
• Enhancing High-Resolution 3D Generation through Pixel-wise Gradient Clipping [46.364968008574664]
  高解像度の3Dオブジェクト生成は、包括的な注釈付きトレーニングデータの入手が限られているため、依然として困難な課題である。 近年の進歩は、広範囲なキュレートされたWebデータセットに事前訓練された画像生成モデルを活用することで、この制約を克服することを目的としている。 本稿では,既存の3次元生成モデルへのシームレスな統合を目的とした,Pixel-wise Gradient Clipping (PGC) と呼ばれる革新的な操作を提案する。
  論文  参考訳（メタデータ） (2023-10-19T05:15:17Z)
• Pushing the Limits of 3D Shape Generation at Scale [65.24420181727615]
  我々は、前例のない次元に拡大することで、3次元形状生成において画期的なブレークスルーを示す。 現在までに最大の3次元形状生成モデルとしてArgus-3Dが確立されている。
  論文  参考訳（メタデータ） (2023-06-20T13:01:19Z)

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。