論文の概要: SewFusion: Tailored Generation of Topology and Panel-Level Geometry for Sewing Patterns

• arxiv url: http://arxiv.org/abs/2609.23548v1
• Date: Sun, 20 Sep 2026 10:55:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.848279
• Title: SewFusion: Tailored Generation of Topology and Panel-Level Geometry for Sewing Patterns
• Title（参考訳）: SewFusion: 縫い込みパターンのためのトポロジーとパネルレベル幾何の生成
• Abstract要約: 本稿では,離散トポロジとパネルレベルの連続幾何に調整された生成機構を取り入れた統合自己回帰フレームワークを提案する。 SewFactory と GCD-MM の実験は、SewFusion が従来の最先端手法よりも一貫して優れていることを示した。
• 参考スコア（独自算出の注目度）: 18.623693278654294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating sewing patterns from images and text requires modeling a heterogeneous representation composed of discrete topology and continuous geometry. Existing methods mainly follow two paradigms: diffusion-based methods enable holistic geometry generation by converting the entire pattern into a continuous representation, but weaken discrete topology modeling; in contrast, autoregressive methods preserve discrete topology through next-token prediction, but tie continuous geometry regression to token-level hidden states with limited panel-level context. To bridge this gap, we propose SewFusion, a unified autoregressive framework that adopts tailored generation mechanisms for discrete topology and panel-level continuous geometry, using next-token prediction for the former and flow matching for the latter. To support panel-level continuous geometry generation, we introduce a Panel Geometry VAE that learns a fixed-size latent space for variable-length panel geometry, together with Panel Geometry Flow for latent generation. We further propose Panel-Forcing to reduce the training--inference mismatch in topology context and improve robustness to topology prediction errors. Extensive experiments on SewFactory and GCD-MM demonstrate that SewFusion consistently outperforms previous state-of-the-art methods across various settings, achieving +6.36% Panel Accuracy, +11.30% Stitch Accuracy, and -1.90 Vertex L2 error in the image-text-based generation setting.
• Abstract（参考訳）: 画像とテキストから縫製パターンを生成するには、離散位相と連続幾何学からなる異種表現をモデル化する必要がある。 拡散法は主に2つのパラダイムに従う: 拡散法は、パターン全体を連続的な表現に変換することによって、全体論的幾何生成を可能にするが、離散トポロジーモデリングを弱める。 このギャップを埋めるために、SewFusionを提案する。SewFusionは離散トポロジとパネルレベルの連続幾何学に調整された生成機構を取り入れた統合自己回帰フレームワークで、前者の次点予測と後者のフローマッチングを用いている。 パネルレベルの連続幾何生成を支援するため、可変長パネル幾何学のための固定サイズの潜時空間を学習するパネル幾何学VAEと潜時生成のためのパネル幾何学フローを導入する。 さらに、トポロジの文脈におけるトレーニングミスマッチの低減と、トポロジの予測誤差に対するロバスト性向上のためのパネルフォースを提案する。 SewFactory と GCD-MM の広範な実験により、SewFusion は、画像テキストベースの生成設定において、従来の最先端のメソッドを一貫して上回り、+6.36% のパネル精度、+11.30% のスティッチ精度、 -1.90 のVertex L2 エラーを達成している。

関連論文リスト

• MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation [53.06620176910962]
  MeshWeaverは、メッシュ生成を表面織布プロセスとして扱う自動回帰フレームワークである。 MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上する。
  論文  参考訳（メタデータ） (2026-06-03T10:15:43Z)
• HiDiGen: Hierarchical Diffusion for B-Rep Generation with Explicit Topological Constraints [11.721957326448162]
  境界表現(B-rep)はCADシステムにおける標準3Dモデリングフォーマットである。 HiDiGenは、幾何モデリングを2つのステージに分離する階層的な生成フレームワークである。 実験の結果,HiDiGenは高い性能を示し,新しい,多様な,トポロジカルなCADモデルを生成する。
  論文  参考訳（メタデータ） (2026-04-03T08:06:51Z)
• Rethinking Multimodal Point Cloud Completion: A Completion-by-Correction Perspective [8.276620253870338]
  ポイント雲の完成は、部分的な観測から完全な3次元形状を再構築することを目的としている。 ほとんどのメソッドは、いまだにCompletion-by-Inpaintingパラダイムに従っている。 完全形状から始まるコンプリーション・バイ・コレクション(Completion-by-Correction)を提案する。
  論文  参考訳（メタデータ） (2025-11-15T11:51:13Z)
• G4Splat: Geometry-Guided Gaussian Splatting with Generative Prior [53.762256749551284]
  我々は,3次元シーン再構成を効果的に活用するための基本的な前提条件として,正確な幾何学を同定する。 生成パイプライン全体にこの幾何学的ガイダンスを導入し、可視性マスク推定を改善し、新しいビュー選択をガイドし、ビデオ拡散モデルに着色した場合の多視点一貫性を向上させる。 本手法は,屋内および屋外の両方のシナリオにおいて,高い一般化性を有するシングルビュー入力とアンポーズ映像を自然にサポートする。
  論文  参考訳（メタデータ） (2025-10-14T03:06:28Z)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• Seeing 3D Through 2D Lenses: 3D Few-Shot Class-Incremental Learning via Cross-Modal Geometric Rectification [59.17489431187807]
  本稿では,CLIPの階層的空間意味論を活用することで3次元幾何学的忠実度を高めるフレームワークを提案する。 本手法は3次元のクラスインクリメンタル学習を著しく改善し,テクスチャバイアスに対して優れた幾何コヒーレンスとロバスト性を実現する。
  論文  参考訳（メタデータ） (2025-09-18T13:45:08Z)
• Matching Shapes Under Different Topologies: A Topology-Adaptive Deformation Guided Approach [6.851721795186258]
  非厳密な3Dメッシュマッチングは、コンピュータビジョンとコンピュータグラフィックスパイプラインにおける重要なステップである。 トポロジカルアーティファクトを含むメッシュに取り組み、現在のアプローチによる仮定を破ることができる。 私たちは、しばしばトポロジカルなアーティファクトに悩まされる、フレームごとのマルチビュー再構築のような現実世界のシナリオに動機付けられています。 提案手法は, 従来のデータ駆動手法に頼らず, 3次元アライメント品質の大規模データセットでトレーニングした手法よりも, ノイズの多いフレーム単位のマルチビュー再構成を含む, トポロジカルアーチファクトの非等尺形状や形状に適用される。
  論文  参考訳（メタデータ） (2025-09-08T16:29:44Z)
• Aligned Novel View Image and Geometry Synthesis via Cross-modal Attention Instillation [62.87088388345378]
  ワーピング・アンド・インペインティング手法を用いて,新しいビューイメージと幾何学生成の整合性を実現する拡散型フレームワークを提案する。 手法は、既製の幾何学予測器を利用して、参照画像から見る部分的な幾何学を予測する。 生成した画像と幾何の正確なアライメントを確保するために, クロスモーダルアテンション蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T16:19:00Z)

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。