論文の概要: FurE: Efficient Instance-Specific 3D Fur Reconstruction without Animal-Fur Datasets

• arxiv url: http://arxiv.org/abs/2609.35770v1
• Date: Mon, 28 Sep 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 19:03:11.118926
• Title: FurE: Efficient Instance-Specific 3D Fur Reconstruction without Animal-Fur Datasets
• Title（参考訳）: FurE: 動物-動物-動物間データセットを使わずに効率的な3次元Fur再構成
• Abstract要約: FurE(FurE)は,一本鎖で編集可能な新郎を効率よく回収する動物毛皮復元法である。 人間の髪のストランドデータから学習したPCAベースのデコーダは、動物データの不足を軽減することができることを示す。
• 参考スコア（独自算出の注目度）: 9.067718698200192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Realistic and editable animal fur reconstruction from multi-view images is challenging due to fine-scale detail, self-occlusion and obfuscation, and, unlike human hair, the lack of animal-fur datasets. Fur usually covers most of an animal's body, with large inter-species and intra-species variability. We present FurE, an efficient strand-based animal fur reconstruction method that recovers a per-strand, editable groom by optimizing a root-conditioned latent field, decoded into strand geometry via a PCA-based decoder. We reconstruct a defurred animal body using local fur-thickness cues from a surface-constrained Gaussian Frosting representation together with part-based priors. We further show that a PCA-based decoder learned from human-hair strand data can alleviate animal-data scarcity while enabling substantially faster optimization. FurE achieves a 10x speedup in strand training over current SOTA dense per-strand optimization while retaining strand fidelity and generalizing across synthetic and real-world sequences, with quantitative and qualitative validation despite the reduction in training time.
• Abstract（参考訳）: 多視点画像からのリアルで編集可能な動物の毛皮の復元は、微細な細部、自己隠蔽、難読化のために困難であり、人間の髪と異なり、動物の毛皮のデータセットが欠如している。 Furは通常、動物体の大部分をカバーし、大きな種間および種内変異を持つ。 そこで本研究では,PCAデコーダを用いて,ルート条件付き潜伏場を最適化し,ストランド単位の編集可能な新郎を復元する,効率的なストランドベース動物毛皮復元法であるFurEについて述べる。 表面拘束されたガウスの凍傷表現から局所的な毛皮厚みの手がかりを用いて,部分的前駆体と共に脱毛した動物体を再構築した。 さらに,ヒトの髪のストランドデータから学習したPCAベースのデコーダにより,動物データの不足を軽減し,より高速な最適化を実現することを示す。 FurEは、現在のSOTA高密度なストランドごとの最適化よりも10倍の高速化を実現し、ストランドの忠実さを維持し、合成および実世界のシーケンスをまたいで一般化し、トレーニング時間の短縮にもかかわらず定量的かつ定性的な検証を行う。

関連論文リスト

• AnimalLift: Reconstructing Animatable 3D Animals from a Single Image by Learning Canonical Shape, Texture, and Fur Maps [57.43241902500102]
  一つの画像から鮮明な毛皮で、構造化されたアニメーション互換の3D動物資産を再構築するためのフレームワークであるAnimalLiftを提示する。 我々の表現の重要な構成要素は、表面整列正準領域におけるストランド幾何学を符号化するUV整列ファーマップである。 合成および実世界のデータセットに関する実験は、動物カテゴリー間で強い復元品質と一般化を示す。
  論文  参考訳（メタデータ） (2026-09-08T22:55:46Z)
• PRIMA: Boosting Animal Mesh Recovery with Biological Priors and Test-Time Adaptation [3.599033387924161]
  PRIMAは、厳しい種の下で頑丈な3次元四重項メッシュ回復のためのフレームワークであり、不均衡を引き起こす。 本研究は,BioCLIP埋め込みを生物前駆体として組み込んで,再建プロセスに意味的および形態学的知識を注入する。 多様な種をカバーし,バリエーションを呈する大規模擬似3DデータセットであるQuadruped3Dを構築した。
  論文  参考訳（メタデータ） (2026-06-01T15:13:47Z)
• NeuralFur: Animal Fur Reconstruction From Multi-View Images [56.497408146667205]
  画像からリアルな動物の毛皮の形状を再構築することは、微細な細部、自己閉塞性、毛皮の外観に依存しているため、難しい作業である。 ストランドベース表現を用いた動物の高忠実度3次元毛皮モデリングのための,第1のマルチビューベース手法を提案する。
  論文  参考訳（メタデータ） (2026-01-18T16:46:38Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• Animalbooth: multimodal feature enhancement for animal subject personalization [11.245966056673991]
  動物ネットとアダプティブアテンションモジュールによるアイデンティティ保護を強化するフレームワークであるAnimalBoothを提案する。 この領域の研究を進めるために,動物パーソナライズのための高解像度データセットであるAnimalBenchをキュレートした。
  論文  参考訳（メタデータ） (2025-09-20T14:09:48Z)
• HairGS: Hair Strand Reconstruction based on 3D Gaussian Splatting [50.93221272778306]
  人間の髪の復元はコンピュータビジョンにおいて難しい問題である。 多視点画像からストランドレベルの毛髪形状復元を可能にする3DGSフレームワークを拡張した。 提案手法は多種多様なヘアスタイルを頑健に処理し, 1時間以内の効率的な再構築を実現する。
  論文  参考訳（メタデータ） (2025-09-09T14:08:41Z)
• AniMer+: Unified Pose and Shape Estimation Across Mammalia and Aves via Family-Aware Transformer [26.738709781346678]
  スケーラブルなAniMerフレームワークの拡張バージョンであるAniMer+を紹介します。 AniMer+の重要なイノベーションは、その高容量、家族対応ビジョントランス(ViT)である。 CtrlAni3D for quadrupeds と CtrlAVES3D for birds の2つの大規模な合成データセットを生成した。
  論文  参考訳（メタデータ） (2025-08-01T03:53:03Z)
• Common Pets in 3D: Dynamic New-View Synthesis of Real-Life Deformable Categories [80.30216777363057]
  コモンペットを3Dで紹介する(CoP3D)。 テスト時には、目に見えないオブジェクトの少数のビデオフレームが与えられたとき、Tracker-NeRFはその3Dポイントの軌跡を予測し、新しいビューを生成する。 CoP3Dの結果は、既存のベースラインよりも、厳密でない新規ビュー合成性能が著しく向上した。
  論文  参考訳（メタデータ） (2022-11-07T22:42:42Z)
• Coarse-to-fine Animal Pose and Shape Estimation [67.39635503744395]
  単一画像から3次元動物メッシュを再構成する粗大なアプローチを提案する。 粗い推定段階はまずSMALモデルのポーズ、形状、翻訳パラメータを推定する。 次に、推定メッシュをグラフ畳み込みネットワーク(GCN)によって開始点として使用し、精製段階における頂点毎の変形を予測する。
  論文  参考訳（メタデータ） (2021-11-16T01:27:20Z)

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。