論文の概要: DiDE:Direct Injection with Color-Texture DEcoupling for 3D Stylization

• arxiv url: http://arxiv.org/abs/2610.02044v1
• Date: Thu, 01 Oct 2026 16:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.314315
• Title: DiDE:Direct Injection with Color-Texture DEcoupling for 3D Stylization
• Title（参考訳）: DiDE:3次元スティル化のためのカラーテクスチャデカップリングによるダイレクトインジェクション
• Abstract要約: 本研究では,3次元スタイリングのためのトレーニングフリーフレームワークとして,Distangled 3D Stylization(Disen3D)を提案する。 DiDE は2D と 3D のスタイリゼーションベースラインをカラー忠実度,テクスチャ転送,コンテンツ保存において一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 61.27430779473996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in rectified flow-based image-to-3D generative models have enabled high-fidelity 3D asset generation. Building on this, a growing line of work has exploited these strong 3D priors for training-free stylization, transferring visual attributes from a reference image onto a generated 3D asset. However, existing methods enforce an all-or-nothing paradigm: color and texture are transferred jointly, with no mechanism to control them independently -- a limitation we formalize as Disentangled 3D Stylization(Disen3D). To address this, we propose DiDE, the first training-free framework for Disen3D. Key to our approach is the observation that the structured latent space of image-to-3D models is overcomplete with respect to texture: texture information occupies only a small subset of the style-significant channels, leaving a free subspace available for independent color encoding. DiDE exploits this via a channel partition mechanism that processes a content image, a texture reference, and a color reference through dedicated branches and composes both style signals interference-free at every self-attention layer, preserving content geometry throughout. Experiments on Disen3D-Bench, our newly collected multi-reference benchmark, show that DiDE consistently outperforms 2D and 3D stylization baselines in color fidelity, texture transfer, and content preservation.
• Abstract（参考訳）: 近年の補正フローベース画像-3D生成モデルの進歩により,高忠実度3Dアセット生成が可能となった。 これに基づいて、この強力な3D先行技術を利用してトレーニング不要のスタイリングを行い、参照画像から生成された3Dアセットに視覚属性を転送する。 しかし、既存の手法では、色とテクスチャは独立して制御する機構を持たない共同で移動され、Disentangled 3D Stylization(Disen3D)として形式化されている。 そこで本研究では,Disen3Dの最初のトレーニングフリーフレームワークであるDiDEを提案する。 テクスチャ情報 テクスチャ情報 テクスチャはスタイルに重要なチャネルのごく一部に過ぎず,自由な部分空間を独立色符号化に利用することができる。 DiDEは、コンテンツイメージ、テクスチャ参照、色参照を専用のブランチを通して処理するチャネル分割機構を通じてこれを利用し、各自己保持層で両方のスタイルシグナルを干渉せずに構成し、コンテンツ幾何学全体を保存する。 新たに収集したマルチリファレンスベンチマークであるDisen3D-Benchの実験では、DDEはカラーフィディティ、テクスチャ転送、コンテンツ保存において2Dと3Dのスタイライズベースラインを一貫して上回っている。

関連論文リスト

• RefAny3D: 3D Asset-Referenced Diffusion Models for Image Generation [33.60632657499695]
  画像生成のための3次元アセット参照拡散モデルを提案する。 提案手法では、3Dアセットを参照として有効に利用し、与えられたアセットと整合した画像を生成する。
  論文  参考訳（メタデータ） (2026-01-29T18:30:10Z)
• DiffStyle3D: Consistent 3D Gaussian Stylization via Attention Optimization [22.652699040654046]
  3Dスタイルの転送により、視覚的に表現可能な3Dコンテンツを作成することができる。 DiffStyle3Dを提案する。DiffStyle3Dは3DGSスタイル転送のための新しい拡散型パラダイムである。 DiffStyle3Dは最先端の手法より優れ、より高度なスタイリゼーション品質と視覚リアリズムを実現する。
  論文  参考訳（メタデータ） (2026-01-27T15:41:11Z)
• LaFiTe: A Generative Latent Field for 3D Native Texturing [72.05710323154288]
  既存のネイティブアプローチは、その生成したテクスチャの忠実さと一般性を著しく制限する、強力で多目的な表現が欠如しているため、疎外である。 粗い色表現と紫外パラメータ化によって制約された高品質なテクスチャを生成するLaFiTeを紹介する。
  論文  参考訳（メタデータ） (2025-12-04T13:33:49Z)
• StyleSculptor: Zero-Shot Style-Controllable 3D Asset Generation with Texture-Geometry Dual Guidance [50.207322685527394]
  StyleSculptorは、コンテンツイメージと1つ以上のスタイルイメージからスタイル誘導された3Dアセットを生成するトレーニング不要のアプローチである。 ゼロショット方式でスタイル誘導3D生成を実現し、きめ細かい3Dスタイル制御を可能にする。 実験では、StyleSculptorは、高忠実度3Dアセットの生成において、既存のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2025-09-16T17:55:20Z)
• 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)
• GaussianAnything: Interactive Point Cloud Flow Matching For 3D Object Generation [75.39457097832113]
  本稿では,インタラクティブなポイントクラウド構造ラテント空間を備えたスケーラブルで高品質な3D生成を実現する,新しい3D生成フレームワークを提案する。 本フレームワークでは,複数ビューのRGB-D(epth)-N(ormal)レンダリングを入力として使用する変分オートエンコーダを,3次元形状情報を保存する独自のラテント空間設計を用いて構成する。 提案手法であるGaussianAnythingは,複数モード条件付き3D生成をサポートし,ポイントクラウド,キャプション,単一画像入力を可能にする。
  論文  参考訳（メタデータ） (2024-11-12T18:59:32Z)
• 3DStyle-Diffusion: Pursuing Fine-grained Text-driven 3D Stylization with 2D Diffusion Models [102.75875255071246]
  テキスト駆動型スタイリングによる3Dコンテンツ作成は、マルチメディアとグラフィックコミュニティにとって根本的な課題となっている。 2次元拡散モデルから制御可能な外観と幾何学的ガイダンスを付加した3次元メッシュのきめ細かいスタイリングをトリガーする新しい3DStyle-Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-09T15:51:27Z)

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。