論文の概要: TaoTex: Boosting Texture Detail Fidelity for Native 3D Material Generation

• arxiv url: http://arxiv.org/abs/2609.34934v1
• Date: Mon, 28 Sep 2026 11:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:39:44.115209
• Title: TaoTex: Boosting Texture Detail Fidelity for Native 3D Material Generation
• Title（参考訳）: TaoTex:ネイティブ3D素材生成のためのテクスチャディテールの忠実度向上
• Abstract要約: 最近の3Dモデルでは、詳細なテクスチャの再構築に苦労しながら正確なジオメトリーを作成できる。 そこで本研究では,複雑なテクスチャを忠実に復元する拡散型3次元素材生成モデルTaoTexを提案する。
• 参考スコア（独自算出の注目度）: 5.755620192264917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent 3D generation models can produce accurate geometries while still struggling to reconstruct detailed textures. We propose a diffusion-based native 3D material generation model TaoTex, which faithfully recovers intricate textures through tailored strategies and improvements. First, we develop a data construction agent to create high-frequency textured 3D assets to bridge the data gap in public datasets. Training with these data significantly enhances the ability of TaoTex to recover challenging details such as text and patterns. Second, we design a multi-level feature fusion (MLFF) module to adaptively integrate local and global features of the conditional input, providing more complete texture cues for the diffusion model and thereby enhancing reconstruction fidelity. To alleviate VAE reconstruction errors, we adopt a latent-to-pixel space loss transition, further improving the pixel-level details and generation quality. Finally, we scale TaoTex to multi-view inputs by incorporating learnable viewpoint embeddings, achieving accurate and consistent material reconstruction across views. Extensive experiments demonstrate that our method significantly outperforms existing approaches in preserving texture details in both single- and multi-view settings.
• Abstract（参考訳）: 最近の3Dモデルでは、詳細なテクスチャの再構築に苦労しながら正確なジオメトリーを作成できる。 そこで本研究では,複雑なテクスチャを忠実に復元する拡散型3次元素材生成モデルTaoTexを提案する。 まず、公共データセットのデータギャップを埋めるために、高周波テクスチャ化された3Dアセットを作成するデータ構築エージェントを開発する。 これらのデータによるトレーニングは、テキストやパターンなどの難しい詳細を復元するTooTexの機能を大幅に強化する。 第2に,条件入力の局所的特徴と大域的特徴を適応的に統合し,拡散モデルのためのより完全なテクスチャキューを提供することにより,再構成忠実度を向上させるマルチレベル特徴融合(MLFF)モジュールを設計する。 VAE再構成の誤差を軽減するため、我々は潜時から画素間の空間損失遷移を採用し、さらに画素レベルの細部と生成品質を改善した。 最後に,学習可能な視点埋め込みを取り入れた多視点インプットにTaoTexを拡張し,ビュー全体にわたって正確で一貫した素材再構築を実現する。 大規模な実験により,本手法は単一視点と多視点の両方でテクスチャの詳細を保存するための既存手法よりも優れていることが示された。

関連論文リスト

• RomanTex: Decoupling 3D-aware Rotary Positional Embedded Multi-Attention Network for Texture Synthesis [10.350576861948952]
  RomanTexはマルチビューベースのテクスチャ生成フレームワークで、マルチアテンションネットワークと基礎となる3D表現を統合している。 本手法はテクスチャの品質と整合性を実現する。
  論文  参考訳（メタデータ） (2025-03-24T17:56:11Z)
• Pandora3D: A Comprehensive Framework for High-Quality 3D Shape and Texture Generation [56.862552362223425]
  本稿では,多様な入力プロンプトから高品質な3次元形状とテクスチャを生成するための包括的枠組みを提案する。 フレームワークは3次元形状生成とテクスチャ生成で構成されている。 本報告では,フレームワークの改良と拡張に向けたシステムアーキテクチャ,実験結果,今後の方向性について述べる。
  論文  参考訳（メタデータ） (2025-02-20T04:22:30Z)
• TexGen: Text-Guided 3D Texture Generation with Multi-view Sampling and Resampling [37.67373829836975]
  テクスチャ生成のための新しい多視点サンプリングおよび再サンプリングフレームワークであるTexGenを提案する。 提案手法は,高精細度3次元オブジェクトに対して,高精細度で優れたテクスチャ品質を実現する。 また,テクスチャ生成技術は,テクスチャ編集にも適用可能である。
  論文  参考訳（メタデータ） (2024-08-02T14:24:40Z)
• Magic-Boost: Boost 3D Generation with Multi-View Conditioned Diffusion [101.15628083270224]
  本稿では,高忠実度新鮮映像を合成する多視点拡散モデルを提案する。 次に,得られた粗い結果を精査するための厳密なガイダンスを提供するために,新しい反復更新戦略を導入する。 実験の結果、Magic-Boostは粗いインプットを大幅に強化し、リッチな幾何学的およびテクスチュラルな詳細を持つ高品質な3Dアセットを生成する。
  論文  参考訳（メタデータ） (2024-04-09T16:20:03Z)
• High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
  フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。 提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:52Z)

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。