Fugu-MT 論文翻訳(概要): ReconPlusGen: Injecting Reconstruction Prior into Multi-view 3D Generation through Noise Inversion and Modulation

論文の概要: ReconPlusGen: Injecting Reconstruction Prior into Multi-view 3D Generation through Noise Inversion and Modulation

arxiv url: http://arxiv.org/abs/2609.11129v1
Date: Thu, 10 Sep 2026 06:19:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 23:53:35.220005
Title: ReconPlusGen: Injecting Reconstruction Prior into Multi-view 3D Generation through Noise Inversion and Modulation
Title（参考訳）: ReconPlusGen:ノイズインバージョンと変調によるマルチビュー3D生成に先立って再構成を注入する
Abstract要約: 複数の入力画像が与えられた場合、正準空間における点雲を予測する。ノイズインバージョンによる拡散過程に予測幾何を確定的に注入する。得られたノイズを変調して、未観測領域の完成に必要な生成柔軟性を保ち、可視的幾何学を洗練させる。
参考スコア（独自算出の注目度）: 44.57299939652818
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Qualitative results and an illustration of our core idea. Top left: reconstruction results on benchmark images. Top right: reconstruction results on real-world images. Bottom: illustration of reconstruction-guided noise initialization and modulation. Given multiple input images, we predict a point cloud in canonical space, deterministically inject the predicted geometry into the diffusion process through noise inversion, and modulate the resulting noise to preserve the generative flexibility required to complete unobserved regions and refine visible geometry.
Abstract（参考訳）: 質的な結果と、私たちの中核的なアイデアのイラストです。左上: ベンチマーク画像の再構築結果。右上:現実世界の画像の再現結果。ボトム:再建誘導音の初期化と変調のイラスト。複数の入力画像が与えられた場合、標準空間内の点雲を予測し、ノイズインバージョンにより予測された幾何を拡散過程に決定的に注入し、その結果のノイズを変調して、観測されていない領域を完了し、可視幾何を洗練させるために必要な生成的柔軟性を維持する。

関連論文リスト

GenRec: Knowing Where to Reconstruct and Where to Generate [106.48347271421765]
GenRecは、再構築世代をそのアーキテクチャ、監督、勾配フローに直接分割するフローマッチングモデルである。観察された領域で最高の復元忠実度を達成し、また、観測されていない領域では、知覚的品質の純粋に生成的ベースラインを超越する。
論文参考訳（メタデータ） (2026-08-18T14:31:19Z)
3D Reconstruction via Incremental Structure From Motion [1.4999444543328293]
本稿では,幾何推定の整合性およびバンドル調整による反復的改善の効果に着目し,逐次SfMパイプラインの詳細な実装について述べる。その結果、視覚的に構造化された環境下でのスパース3次元再構成のための信頼性の高い方法として、インクリメンタルSfMの実用性をサポートした。
論文参考訳（メタデータ） (2025-08-01T18:45:05Z)
Sparse-View 3D Reconstruction: Recent Advances and Open Challenges [0.8583178253811411]
濃密な画像取得が不可能なアプリケーションには,スパースビュー3D再構成が不可欠である。この調査は、ニューラル暗黙のモデルと明示的なポイントクラウドベースのアプローチの最新の進歩をレビューする。我々は, 幾何正規化, 明示的な形状モデリング, 生成的推論がアーティファクトの緩和にどのように利用されているかを分析する。
論文参考訳（メタデータ） (2025-07-22T09:57:28Z)
CryoFastAR: Fast Cryo-EM Ab Initio Reconstruction Made Easy [58.86576215228903]
我々はCryo-EMノイズ画像から直接ポーズを予測できる最初の幾何学的基礎モデルであるCryoFastARを紹介した。 CryoFastARは、マルチビュー機能と、大規模シミュレーションされたCryo-EMデータに現実的なノイズとCTF変調を統合することで、ポーズ推定精度と一般化を向上する。
論文参考訳（メタデータ） (2025-06-06T08:32:32Z)
HORT: Monocular Hand-held Objects Reconstruction with Transformers [61.36376511119355]
モノクロ画像から手持ちの物体を3Dで再構成することは、コンピュータビジョンにおいて重要な課題である。ハンドヘルドオブジェクトの高密度な3次元点群を効率的に再構成するトランスフォーマーモデルを提案する。提案手法は,高速な推測速度で最先端の精度を達成し,画像の幅を最適化する。
論文参考訳（メタデータ） (2025-03-27T09:45:09Z)
There and Back Again: On the relation between Noise and Image Inversions in Diffusion Models [3.8384683391475556]
拡散モデルは新しいサンプルを生成するが、データを編集可能な機能にエンコードする低次元の潜在空間がない。インバージョンベースの手法は、デノベーション軌道を逆転させ、画像を近似したスタートノイズに転送することでこの問題に対処する。その結果,潜伏剤はスムーズな画像領域で予測される低ノイズの形で構造パターンを示すことがわかった。
論文参考訳（メタデータ） (2024-10-31T00:30:35Z)
Frequency-based View Selection in Gaussian Splatting Reconstruction [9.603843571051744]
入力画像の少ない3次元ガウススプラッティング再構成を行うためのアクティブビュー選択の問題について検討する。周波数領域の潜在的なビューをランク付けすることで、新しい視点の潜在的な情報ゲインを効果的に推定することができる。提案手法は,画像による3次元再構成を効果的に行う可能性を示し,ビュー選択の最先端性を実現する。
論文参考訳（メタデータ） (2024-09-24T21:44:26Z)
BundleRecon: Ray Bundle-Based 3D Neural Reconstruction [9.478278728273336]
ニューラル暗黙的多視点再構成のための拡張モデル BundleRecon を提案する。既存のアプローチでは、サンプリングは単一のピクセルに対応する単一の光線によって行われる。対照的に、我々のモデルは、隣接するピクセルからの情報を組み込んだ光束を用いてピクセルのパッチをサンプリングする。
論文参考訳（メタデータ） (2023-05-12T09:39:08Z)
Neural 3D Reconstruction in the Wild [86.6264706256377]
そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
論文参考訳（メタデータ） (2022-05-25T17:59:53Z)
Inverting Generative Adversarial Renderer for Face Reconstruction [58.45125455811038]
本稿では,GAR(Generative Adversa Renderer)について紹介する。 GARは、グラフィックルールに頼るのではなく、複雑な現実世界のイメージをモデル化することを学ぶ。本手法は,複数顔再構成における最先端性能を実現する。
論文参考訳（メタデータ） (2021-05-06T04:16:06Z)

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。