論文の概要: UltraTex: Unleashing 2K Multi-View Diffusion for 3D Texturing

• arxiv url: http://arxiv.org/abs/2609.23169v1
• Date: Sat, 19 Sep 2026 18:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.704341
• Title: UltraTex: Unleashing 2K Multi-View Diffusion for 3D Texturing
• Title（参考訳）: UltraTex:3Dテクスチャのための2Kマルチビュー拡散
• Abstract要約: 高品質なテクスチャは、現実的で生産性の高い3Dアセットを作るのに不可欠です。 画像誘導型3次元計算法は有望な結果を示しているが、通常は低解像度に制約されている。 本稿では,大規模データセット上に高分解能なテクスチャをレンダリングするための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）: 46.435091316560296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-quality texture generation is essential for creating realistic and production-ready 3D assets. Recent multi-view diffusion methods have shown promising results for image-guided 3D texturing, but they are typically constrained to low operating resolutions such as 512 or 768, making it difficult to preserve high-frequency details from high-resolution reference images. Scaling this paradigm to 2048 resolution is computationally prohibitive, as the unified multi-view sequence exceeds 212K tokens and incurs excessive memory and latency. In this paper, we present UltraTex, an efficient end-to-end framework for high-resolution multi-view diffusion-based 3D texturing. Our key observation is that object-centric multi-view renderings contain two major sources of redundancy: background-induced sequence redundancy and sparse token interactions within the foreground. To address them, we introduce Background Token Dropping, which removes background tokens before the DiT backbone, and Block-Sparse Attention, which reduces attention computation over the retained foreground sequence. To enable efficient foreground-only inference while avoiding reconstruction artifacts, we further design Foreground-Aware VAE Decoding to ensure the quality of the final high-resolution views. To satisfy the demanding data requirements of 2K-resolution multi-view diffusion training, we construct G-buffer TexVerse, a large-scale, ultra-high-resolution multi-view rendering dataset covering over 268,000 3D assets. Extensive experiments show that UltraTex generates visually faithful textures with rich fine-grained details, while substantially improving efficiency, achieving $20.6\times$--$91.1\times$ training speedup and $22.3\times$--$74.6\times$ end-to-end inference speedup over the baseline on common samples in our dataset. Code and data is at https://yiboz2001.github.io/UltraTex.
• Abstract（参考訳）: 高品質なテクスチャ生成は、現実的で生産可能な3Dアセットを作成するために不可欠である。 最近の多視点拡散法は画像誘導型3Dテクスチャの有望な結果を示しているが、通常は512や768のような低解像度の動作に制約されているため、高解像度の参照画像から高周波の詳細を保存することは困難である。 このパラダイムを2048の解像度に拡張することは、統一されたマルチビューシーケンスが212Kトークンを超え、過剰なメモリと遅延を引き起こすため、計算的に禁止される。 本稿では,高解像度多視点拡散型3Dテクスチャのための効率的なエンドツーエンドフレームワークであるUltraTexを提案する。 我々のキーとなる観察は、オブジェクト中心のマルチビューレンダリングは、背景誘起シーケンス冗長性と前景内のスパーストークン相互作用の2つの主要な冗長性の源を含んでいることである。 そこで本稿では,DiTバックボーンの前にバックグラウンドトークンを削除したバックグラウンドトークンドロップと,保持されたフォアグラウンドシーケンスに対する注意計算を低減したブロックスパースアテンションを導入する。 再構成アーチファクトを回避しつつ,効率的なフォアグラウンドのみの推論を可能にするため,最終的な高解像度ビューの品質を確保するために,フォアグラウンド対応のVAEデコーディングをさらに設計する。 2K解像度のマルチビュー拡散訓練に必要なデータ要求を満たすため、268,000以上の3D資産をカバーする大規模で超高解像度のマルチビューレンダリングデータセットであるGバッファTexVerseを構築した。 広範囲にわたる実験により、UltraTexは視覚的に忠実なテクスチャを高精細な細部で生成し、効率を大幅に向上し、20.6\times$--$91.1\times$トレーニングスピードアップと22.3\times$--$74.6\times$ベースライン上でのエンド・ツー・エンドの推論スピードアップを実現した。 コードとデータはhttps://yiboz2001.github.io/UltraTexにある。

関連論文リスト

• PacTure: Efficient PBR Texture Generation on Packed Views with Visual Autoregressive Models [73.4445896872942]
  PacTureは、未ドメインの3Dメッシュから物理ベースのレンダリング(PBR)素材テクスチャを生成するためのフレームワークである。 ビューパッキング(View Packing)は、ビュー毎の有効解像度を高める新しいテクニックである。
  論文  参考訳（メタデータ） (2025-05-28T14:23:30Z)
• SCube: Instant Large-Scale Scene Reconstruction using VoxSplats [55.383993296042526]
  SCubeは画像の粗い集合から大規模3次元シーン(幾何学、外観、意味論)を再構成する新しい手法である。 提案手法は,高解像度のスパース・ボクセル・足場上に支持された3次元ガウスの組である,新しい表現VoxSplatを用いて再構成シーンを符号化する。
  論文  参考訳（メタデータ） (2024-10-26T00:52:46Z)
• Bootstrap3D: Improving Multi-view Diffusion Model with Synthetic Data [80.92268916571712]
  重要なボトルネックは、詳細なキャプションを持つ高品質な3Dオブジェクトの不足である。 本稿では,任意の量のマルチビュー画像を自動的に生成する新しいフレームワークBootstrap3Dを提案する。 我々は高画質合成多視点画像100万枚を高密度記述キャプションで生成した。
  論文  参考訳（メタデータ） (2024-05-31T17:59:56Z)
• LGM: Large Multi-View Gaussian Model for High-Resolution 3D Content Creation [51.19871052619077]
  テキストプロンプトやシングルビュー画像から高解像度の3Dモデルを生成するための新しいフレームワークであるLarge Multi-View Gaussian Model (LGM)を紹介する。 我々は,5秒以内に3Dオブジェクトを生成する高速な速度を維持しながら,トレーニング解像度を512に向上し,高解像度な3Dコンテンツ生成を実現する。
  論文  参考訳（メタデータ） (2024-02-07T17:57:03Z)

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。