論文の概要: Flow Matching Reinforcement for 3D Mesh Generation via Dynamic Homing Optimization

• arxiv url: http://arxiv.org/abs/2610.01233v1
• Date: Thu, 01 Oct 2026 07:35:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.968957
• Title: Flow Matching Reinforcement for 3D Mesh Generation via Dynamic Homing Optimization
• Title（参考訳）: 動的ホーミング最適化による3次元メッシュ生成のためのフローマッチング強化
• Abstract要約: フローマッチングは3次元生成の中心であるが、その強化学習(RL)法は2次元視覚生成から大きく適応している。 事前訓練されたモデル能力、ロールアウト多様性、報酬分配複雑性に制約された3D生成では、RLを直接適用することで、幾何学的品質において限られた利得が得られる。 我々は,正サンプルアトラクション誘導動的ホーミングとして負軌道最適化を再構成するフォワードプロセス RL 法 textbfDynamic Homing Optimization (DHO) を提案する。
• 参考スコア（独自算出の注目度）: 19.754384558309887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching is central to 3D generation, yet in practice its reinforcement learning (RL) methods are largely adapted from 2D visual generation. Representative DPO-, GRPO-, and NFT-style objectives, when applied to negative trajectories, mainly steer predicted velocities away from the corresponding directions without explicitly specifying a target velocity field toward preferred samples. In 3D generation, constrained by pretrained model capabilities, rollout diversity, and reward-distribution complexity, directly applying these RL methods yields limited gains in geometric quality. We introduce a forward-process RL method \textbf{Dynamic Homing Optimization (DHO)}, which reformulates negative-trajectory optimization as positive-sample attraction-guided dynamic homing. Specifically, Minimum-Cost Attractive Matching (MAM) assigns each negative sample a distinct positive target, and Time-Aware Dynamic Correction (TDC) then redirects its trajectory toward the target using a remaining-time-aware corrective velocity. Building on asynchronous online DHO, we develop \textbf{Flow3D-Pro}, an image-to-3D geometry generation framework. Experiments show that DHO outperforms representative DPO-, GRPO-, and NFT-style objectives in 3D generation, while Flow3D-Pro produces higher-quality 3D geometry than existing mesh generation methods.
• Abstract（参考訳）: フローマッチングは3次元生成の中心であるが、実際には強化学習(RL)法は2次元視覚生成から大きく適応している。 DPO-, GRPO-, NFT-style objectives, used to negative trajectories, mainly steer predict velocities from the corresponding direction without specific specific a target velocity field toward preferred sample。 事前訓練されたモデル能力、ロールアウトの多様性、報酬分配の複雑さに制約された3次元生成では、これらのRL法を直接適用することで、幾何学的品質の限られたゲインが得られる。 本稿では, 正サンプルアトラクション誘導型動的ホーミングとして負軌道最適化を再構成する, フォワードプロセス RL 法である textbf{Dynamic Homing Optimization (DHO) を提案する。 具体的には、最小コスト抽出マッチング(MAM)は、各負のサンプルを別個の正のターゲットに割り当て、TDC(Time-Aware Dynamic Correction)は、残りの時間認識補正速度を用いて、その軌道を目標に向かってリダイレクトする。 非同期オンラインDHOを基盤として,画像から3次元の幾何生成フレームワークであるtextbf{Flow3D-Pro} を開発した。 実験の結果,DHOはDPO-,GRPO-,NFT型を3次元生成で上回り,Flow3D-Proは既存のメッシュ生成法よりも高品質な3次元形状を生成することがわかった。

関連論文リスト

• Mesh-Pro: Asynchronous Advantage-guided Ranking Preference Optimization for Artist-style Quadrilateral Mesh Generation [33.80684329745018]
  3次元メッシュ生成におけるRLのトレーニング効率と生成品質の両立を目指す。 具体的には、トレーニング後の効率改善のために、3Dメッシュ生成に適した最初の非同期オンラインRLフレームワークを設計する。 また,メッシュ表現のための新規な斜角四角四辺形トークン化を導入したメッシュプロを提案する。
  論文  参考訳（メタデータ） (2026-02-28T07:51:29Z)
• 3DID: Direct 3D Inverse Design for Aerodynamics with Physics-Aware Optimization [53.40777496077015]
  逆設計は、特定の目的関数を最適化するために物理系の入力変数を設計することを目的としている。 3Dドメインでは、デザイン空間は指数関数的に増加し、網羅的なグリッドベースの検索は実現不可能である。 本稿では,連続的な潜在表現と物理認識の最適化戦略を結合することにより,3次元設計空間を直接ナビゲートする3次元逆設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-06T13:09:03Z)
• Bridging Geometry-Coherent Text-to-3D Generation with Multi-View Diffusion Priors and Gaussian Splatting [51.08718483081347]
  幾何学的に一貫した3次元生成を保証するために,複数視点の関節分布を事前に結合するフレームワークを提案する。 我々は,多視点先行を効果的に結合し,異なる視点で最適化を導出する効果的な最適化ルールを導出する。 我々は, 3D-GS から CSD を通じて改良された, 変形可能な四面体格子を用いて, 高品質で洗練されたメッシュを作製する。
  論文  参考訳（メタデータ） (2025-05-07T09:12:45Z)
• ORIGEN: Zero-Shot 3D Orientation Grounding in Text-to-Image Generation [35.81201603292298]
  我々は,テキスト・ツー・イメージ生成における3次元配向グラウンドディングのための最初のゼロショット手法であるORIGENを紹介する。 本稿では,事前学習による3次元方向推定モデルを用いた報酬誘導サンプリング手法を提案する。 実験の結果,ORIGENはトレーニングベースとテストタイムの指導方法の両方で,定量的な測定値やユーザスタディよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-28T07:23:12Z)
• MVGaussian: High-Fidelity text-to-3D Content Generation with Multi-View Guidance and Surface Densification [13.872254142378772]
  本稿では,テキスト・ツー・3Dコンテンツ生成のための統合フレームワークを提案する。 提案手法は3次元モデルの構造を反復的に形成するために多視点誘導を利用する。 また,表面近傍にガウスを配向させる新しい密度化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-09-10T16:16:34Z)
• VividDreamer: Towards High-Fidelity and Efficient Text-to-3D Generation [69.68568248073747]
  拡散に基づく3次元生成タスクにおいて, ポーズ依存型連続蒸留サンプリング (PCDS) を提案する。 PCDSは拡散軌道内でポーズ依存整合関数を構築し、最小サンプリングステップで真の勾配を近似することができる。 そこで我々は,まず1ステップのPCDSを用いて3Dオブジェクトの基本構造を作成し,さらに徐々にPCDSのステップを拡大して細かな細部を生成する,粗大な最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:21:52Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Learned Vertex Descent: A New Direction for 3D Human Model Fitting [64.04726230507258]
  画像やスキャンに適合する3次元人体モデルのための新しい最適化手法を提案する。 われわれのアプローチは、非常に異なる体型を持つ服を着た人々の基盤となる身体を捉えることができ、最先端技術と比べて大きな改善を達成できる。 LVDはまた、人間と手の3次元モデル適合にも適用でき、よりシンプルで高速な方法でSOTAに大きな改善が示される。
  論文  参考訳（メタデータ） (2022-05-12T17:55:51Z)

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。