論文の概要: CGGT: Curve-Grounded Geometry Transformer for 3D Parametric Curve Reconstruction
- arxiv url: http://arxiv.org/abs/2609.14521v1
- Date: Sun, 13 Sep 2026 13:56:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.833361
- Title: CGGT: Curve-Grounded Geometry Transformer for 3D Parametric Curve Reconstruction
- Title（参考訳）: 3次元パラメトリック曲線再構成のための曲面形状変換器CGGT
- Abstract要約: 画像空間内の3次元連続した2次元曲線を,スパースな多視点画像から抽出する曲面形状変換器を提案する。
提案手法は, 復元精度と効率性を両立させ, 大幅な改善を図っている。
CGGTは、合成データのみに訓練されているにもかかわらず、現実世界の画像に対してよく一般化されている。
- 参考スコア（独自算出の注目度）: 31.822849244645525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recovering editable 3D parametric curves from 2D images is a fundamental challenge in computer graphics, bridging pixel-based perception and vector-based CAD modeling. Existing NeRF- and 3DGS-based methods often rely on dense calibrated views, precomputed 2D edge maps, and costly per-scene optimization, limiting their applicability to casually captured real-world inputs. We propose CGGT, a Curve-Grounded Geometry Transformer that directly grounds 3D-consistent 2D curve instances in the image space from sparse, unposed multi-view images. CGGT combines a geometry-aware transformer encoder for multi-view feature learning with a curve-aware masked-attention decoder for cross-view instance association. In a single forward pass, it predicts camera parameters, dense depth maps, and instance-level 2D curve masks, which are then lifted into 3D and refined through a fast parametric optimization stage to recover compact, editable 3D curve primitives. To support structured curve learning, we introduce Wireframe-100K, a large-scale dataset comprising 100,000 CAD models with diverse topologies, realistic multi-view renderings, and accurate parametric curve annotations. Extensive experiments show that our framework achieves substantial improvements in both reconstruction accuracy and efficiency, particularly under challenging sparse-view settings and in separating persistent 3D structural edges from view-dependent image edges caused by silhouettes, textures, and appearance variations. Despite being trained solely on synthetic data, CGGT generalizes well to real-world images, demonstrating its potential for practical CAD-style wireframe reconstruction from unconstrained visual inputs.
- Abstract（参考訳）: 2次元画像から編集可能な3Dパラメトリック曲線を復元することは、コンピュータグラフィックス、画素ベースの知覚とベクトルベースのCADモデリングにおける根本的な課題である。
既存のNeRFおよび3DGSベースの手法は、しばしば密集したキャリブレーションされたビュー、事前計算された2Dエッジマップ、そしてコストのかかるシーンごとの最適化に依存しており、実世界のインプットに対する適用性を制限している。
画像空間内の3次元連続した2次元曲線を,スパースな多視点画像から直接グルーピングする曲面形状変換器CGGTを提案する。
CGGTは、多視点特徴学習のための幾何対応トランスフォーマーエンコーダと、クロスビューインスタンスアソシエーションのための曲線対応マスク付きアテンションデコーダを組み合わせる。
シングルフォワードパスでは、カメラパラメータ、深度マップ、インスタンスレベルの2Dカーブマスクを予測し、それを3Dに持ち上げ、高速パラメトリック最適化ステージを通じて洗練して、コンパクトで編集可能な3Dカーブプリミティブを復元する。
構造化曲線学習を支援するためにWireframe-100Kを導入する。これは10万のCADモデルからなる大規模データセットで、多様なトポロジ、リアルなマルチビューレンダリング、正確なパラメトリック曲線アノテーションを提供する。
広汎な実験により,本フレームワークは再現精度と効率の両面において,特に難解なスパースビュー設定や,シルエット,テクスチャ,外観変化によって引き起こされるビュー依存の画像エッジから永続的な3次元構造エッジを分離する上で,大幅な改善を実現していることが示された。
CGGTは、合成データのみにのみ訓練されているにもかかわらず、実世界の画像によく適応し、制約のない視覚入力からCADスタイルのワイヤーフレーム再構築の可能性を実証している。
関連論文リスト
- IVGT: Implicit Visual Geometry Transformer for Neural Scene Representation [76.36174247570716]
ポーズレス多視点画像から連続的かつ一貫性のある幾何を暗黙的にモデル化するインプリシトビジュアル幾何変換器IVGTを提案する。
IVGTは標準座標系で連続的なニューラルネットワークシーン表現を学習し、任意の3D位置での連続的な空間クエリをサポートする。
連続的かつコヒーレントな表面形状の直接抽出を可能にし、任意の視点からRGB画像、深度マップ、表面正規写像のレンダリングを可能にする。
論文 参考訳（メタデータ） (2026-05-15T17:59:57Z) - IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。
本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
論文 参考訳（メタデータ） (2025-10-26T14:57:44Z) - WIR3D: Visually-Informed and Geometry-Aware 3D Shape Abstraction [13.645442589551354]
WIR3Dは、3Dで視覚的に意味のある曲線のスパースセットを通して3D形状を抽象化する技術である。
ベジエ曲線のパラメータを最適化し、それらが幾何学的特徴と健全な視覚的特徴の両方を忠実に表現する。
形状の広いデータセットに対して, 形状の抽象化を行う手法をうまく適用した。
論文 参考訳（メタデータ） (2025-05-07T21:28:05Z) - SketchSplat: 3D Edge Reconstruction via Differentiable Multi-view Sketch Splatting [20.434979868697518]
エッジは3Dで構造情報を記述するための最も基本的なパラメトリックプリミティブの1つである。
従来の方法は、通常、多視点2Dエッジイメージから設定された3Dエッジポイントを再構成し、それから3Dエッジをポイントセットに適合させる。
そこで我々はSketchSplatを提案する。SketchSplatは,多視点スケッチスプラッティングにより,高精度で完全かつコンパクトな3次元エッジを再構築する手法である。
論文 参考訳（メタデータ） (2025-03-18T23:30:03Z) - F3D-Gaus: Feed-forward 3D-aware Generation on ImageNet with Cycle-Aggregative Gaussian Splatting [35.625593119642424]
本稿では,モノケプラーデータセットから3次元認識を一般化する問題に取り組む。
画素整列型ガウススプラッティングに基づく新しいフィードフォワードパイプラインを提案する。
また,学習した3次元表現において,クロスビューの一貫性を強制する自己教師付きサイクル集約的制約を導入する。
論文 参考訳（メタデータ） (2025-01-12T04:44:44Z) - 2D Gaussian Splatting for Geometrically Accurate Radiance Fields [50.056790168812114]
3D Gaussian Splatting (3DGS)は近年,高画質の新規ビュー合成と高速レンダリングを実現し,放射界再構成に革命をもたらした。
多視点画像から幾何学的精度の高い放射場をモデル化・再構成するための新しいアプローチである2DGS(2D Gaussian Splatting)を提案する。
競合する外観品質、高速トレーニング速度、リアルタイムレンダリングを維持しつつ、ノイズフリーかつ詳細な幾何学的再構成を可能にする。
論文 参考訳（メタデータ） (2024-03-26T17:21:24Z) - T-Pixel2Mesh: Combining Global and Local Transformer for 3D Mesh Generation from a Single Image [84.08705684778666]
本稿では,P2Mの粗大なアプローチにインスパイアされたトランスフォーマーブーストアーキテクチャT-Pixel2Meshを提案する。
具体的には,大域変換器を用いて局所的な形状を制御し,局所的な幾何学的詳細を洗練させる。
ShapeNetの実験では最先端の性能が実証され,実世界のデータでは一般化能力が示された。
論文 参考訳（メタデータ） (2024-03-20T15:14:22Z) - Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。
我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。
我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
論文 参考訳（メタデータ） (2022-04-21T03:42:31Z) - Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。
以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。
本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
論文 参考訳（メタデータ） (2022-04-09T03:46:18Z) - To The Point: Correspondence-driven monocular 3D category reconstruction [39.811816510186475]
To The Point (TTP) は、弱い監督から学んだ2Dから3D対応を用いて、単一の画像から3Dオブジェクトを再構成する手法である。
我々は、CNNによるカメラポーズと非剛性変形の回帰を置き換え、より正確な3D再構成を得る。
論文 参考訳（メタデータ） (2021-06-10T11:21:14Z)
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。