論文の概要: Does Native 3D Texture Generation Necessarily Require 3D Assets for Training?

• arxiv url: http://arxiv.org/abs/2609.34621v1
• Date: Mon, 28 Sep 2026 08:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:50:58.487451
• Title: Does Native 3D Texture Generation Necessarily Require 3D Assets for Training?
• Title（参考訳）: ネイティブ3Dテクスチャ生成には3Dアセットが必要か?
• Abstract要約: 我々は,2次元画像を3次元空間の平面として表現することで,3次元トレーニングサンプルに変換する。 次に、複雑な幾何学構造を構築するためにパッチワイズランダム回転とアグリゲーションを適用する。 我々はTex-Zero VAEを訓練し、トレーニング中に見ていないにもかかわらず、高品質で本物の3D資産を再構築することができる。
• 参考スコア（独自算出の注目度）: 24.13290235125292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Native 3D texture generation synthesizes colors directly in 3D space for a given geometry, conditioned on multi-view reference images. It is generally believed that training such models requires large-scale, high-quality real 3D asset data, whose acquisition remains a long-standing and challenging problem. In this work, we propose Tex-Zero, demonstrating that a high-fidelity native 3D texture generation framework can be trained without 3D assets. Our key observation is that only high-quality and fine-grained color information is essential for 3D texture training, while the required geometric information is less critical and can be manually constructed rather than obtained from real 3D assets. This finding makes it possible to transform abundant, high-quality 2D images into effective training samples for 3D texture generation. Specifically, we convert high-quality 2D images into 3D training samples by representing each image as a plane in 3D space and applying patch-wise random rotations and aggregation to construct complex geometric structures. Using these constructed image data, we train the Tex-Zero VAE, which can reconstruct real 3D assets with high quality despite never observing them during training. Building upon the Tex-Zero VAE, we train the Tex-Zero DiT also exclusively on the constructed image data, where the conditioning 2D multi-view images are transformed into planes in 3D space and also encoded by the Tex-Zero VAE, thereby reducing the representation gap and improving generation quality. Extensive experiments show that Tex-Zero generates high-fidelity 3D textures with fine-grained details solely using images as training data, offering a promising perspective on the data paradigm for scaling 3D texture generation.
• Abstract（参考訳）: ネイティブな3Dテクスチャ生成は、色を直接3D空間に合成する。 このようなモデルのトレーニングには、大規模で高品質な3Dアセットデータが必要であると一般的に信じられている。 本研究では,高忠実度ネイティブな3Dテクスチャ生成フレームワークを3Dアセットなしでトレーニングできることを実証するTex-Zeroを提案する。 私たちのキーとなる観察は、3Dテクスチャトレーニングには高品質できめ細かな色情報しか必要とせず、必要な幾何学的情報は重要でなく、実際の3Dアセットから得られるよりも手作業で構築できるということです。 この発見により、豊富な高品質の2D画像を3Dテクスチャ生成のための効果的なトレーニングサンプルに変換することができる。 具体的には、高画質2D画像を3次元空間の平面として表現し、パッチワイドなランダム回転とアグリゲーションを適用して複雑な幾何学構造を構築することで、3次元トレーニングサンプルに変換する。 これらの構築された画像データを用いて、トレーニング中に観察することなく高品質で実物の3D資産を再構築できるTex-Zero VAEを訓練する。 Tex-Zero VAEをベースとして構築された画像データに基づいてTex-Zero DiTをトレーニングし、条件付き2次元多視点画像を3次元空間の平面に変換するとともに、Tex-Zero VAEによって符号化することで、表現ギャップを低減し、生成品質を向上させる。 大規模な実験により、Tex-Zeroは、画像のみをトレーニングデータとして用いた細かな細部で高忠実な3Dテクスチャを生成することが示され、3Dテクスチャ生成をスケールするためのデータパラダイムに関する有望な視点を提供する。

関連論文リスト

• Constructing a 3D Scene from a Single Image [31.11317559252235]
  SceneFuse-3Dは、単一のトップダウンビューからコヒーレントな3Dシーンを合成するために設計されたトレーニング不要のフレームワークである。 入力画像を重なり合う領域に分解し、事前訓練された3Dオブジェクトジェネレータを用いてそれぞれを生成する。 このモジュラー設計により、3次元の監督や微調整を必要とせず、解像度のボトルネックを克服し、空間構造を維持できる。
  論文  参考訳（メタデータ） (2025-05-21T17:10:47Z)
• Art3D: Training-Free 3D Generation from Flat-Colored Illustration [22.358983277403233]
  Art3Dは、フラットカラーの2Dデザインを3Dに持ち上げる訓練不要の方法だ。 3次元感のないフラットカラー画像に対して,既存の画像から3次元モデルへの一般化性能をベンチマークした。
  論文  参考訳（メタデータ） (2025-04-14T17:53:10Z)
• Geometry Image Diffusion: Fast and Data-Efficient Text-to-3D with Image-Based Surface Representation [2.3213238782019316]
  GIMDiffusionは、幾何学画像を利用して2次元画像を用いて3次元形状を効率よく表現する新しいテキスト・ツー・3Dモデルである。 安定拡散のような既存のテキスト・ツー・イメージモデルのリッチな2次元先行モデルを利用する。 簡単に言うと、GIMDiffusionは現行のText-to-Imageモデルに匹敵する速度で3Dアセットを生成することができる。
  論文  参考訳（メタデータ） (2024-09-05T17:21:54Z)
• ScalingGaussian: Enhancing 3D Content Creation with Generative Gaussian Splatting [30.99112626706754]
  高品質な3Dアセットの作成は、デジタル遺産、エンターテイメント、ロボット工学の応用において最重要である。 伝統的に、このプロセスはモデリングに熟練した専門家と専門的なソフトウェアを必要とする。 本稿では,3Dテクスチャを効率的に生成する新しい3Dコンテンツ作成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T18:26:01Z)
• What You See is What You GAN: Rendering Every Pixel for High-Fidelity Geometry in 3D GANs [82.3936309001633]
  3D-aware Generative Adversarial Networks (GANs) は,マルチビュー一貫性画像と3Dジオメトリを生成する学習において,顕著な進歩を見せている。 しかし、ボリュームレンダリングにおける高密度サンプリングの大幅なメモリと計算コストにより、3D GANはパッチベースのトレーニングを採用するか、後処理の2Dスーパーレゾリューションで低解像度レンダリングを採用することを余儀なくされた。 ニューラルボリュームレンダリングをネイティブ2次元画像の高解像度化に拡張する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-04T18:50:38Z)
• CC3D: Layout-Conditioned Generation of Compositional 3D Scenes [49.281006972028194]
  本稿では,複雑な3次元シーンを2次元セマンティックなシーンレイアウトで合成する条件生成モデルであるCC3Dを紹介する。 合成3D-FRONTと実世界のKITTI-360データセットに対する評価は、我々のモデルが視覚的および幾何学的品質を改善したシーンを生成することを示す。
  論文  参考訳（メタデータ） (2023-03-21T17:59:02Z)
• Self-Supervised Geometry-Aware Encoder for Style-Based 3D GAN Inversion [115.82306502822412]
  StyleGANは、画像インバージョンと潜時編集による2次元顔再構成とセマンティック編集において大きな進歩を遂げている。 対応する汎用的な3D GANインバージョンフレームワークがまだ欠けており、3D顔再構成とセマンティック編集の応用が制限されている。 本研究では,その3次元形状と詳細なテクスチャを忠実に復元するために,単一の顔画像から潜伏コードを予測する3D GAN逆変換の課題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T18:49:50Z)
• GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images [72.15855070133425]
  本稿では,複雑なトポロジ,リッチな幾何学的ディテール,高忠実度テクスチャを備えたExplicit Textured 3Dメッシュを直接生成する生成モデルであるGET3Dを紹介する。 GET3Dは、車、椅子、動物、バイク、人間キャラクターから建物まで、高品質な3Dテクスチャメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-09-22T17:16:19Z)
• 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
  大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。 まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。 次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。 第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
  論文  参考訳（メタデータ） (2021-04-06T02:22:24Z)

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。