論文の概要: StyleFields: Multi-Scale AdaIN-Modulated Implicit SDFs for Coarse-to-Fine 3D Shape Reconstruction and Editing
- arxiv url: http://arxiv.org/abs/2610.09200v1
- Date: Tue, 06 Oct 2026 22:51:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.640785
- Title: StyleFields: Multi-Scale AdaIN-Modulated Implicit SDFs for Coarse-to-Fine 3D Shape Reconstruction and Editing
- Title（参考訳）: StyleFields: 粗大な3次元形状再構成と編集のためのマルチスケールAdaIN変調インシデントSDF
- Abstract要約: StyleFieldsは、高忠実度3D再構成のためのDeepSDFベースのアーキテクチャである。
StyleFieldsは、忠実な再構築、クロスインスタンスハイブリッドの説得、インジェクションの深さと監督に対する一貫した改善を提供する。
- 参考スコア（独自算出の注目度）: 28.908197542213333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce StyleFields, a DeepSDF-based architecture for high-fidelity 3D reconstruction that enables controllable geometric style mixing: the coarse structure of one object can be combined with the fine-scale details of another. The core idea is depth-aware modulation: instead of a single global code, we inject latents via multi-level Adaptive Instance Normalization at several decoder depths, and supervise matching auxiliary heads with a coarse-to-fine schedule while gradually growing network depth. This aligns early layers with global shape and later layers with high-frequency detail, achieving content-style decoupling without part labels or adversarial training. StyleFields delivers faithful reconstructions, convincing cross-instance hybrids, and consistent gains in ablations over injection depth and supervision granularity. We further demonstrate a practical application in automotive aerodynamics: a learned surrogate drag predictor serves as a differentiable objective to optimize reconstructed cars, allowing targeted edits of global form or surface details by freezing the complementary latent stream. StyleFields offers a simple, effective recipe for controllable implicit reconstruction and downstream performance-driven design.
- Abstract（参考訳）: 本稿では,DeepSDFをベースとした高忠実度3次元再構成アーキテクチャであるStyleFieldsを紹介する。
一つのグローバルコードの代わりに、複数のデコーダ深さで適応インスタンス正規化を多レベルに注入し、ネットワーク深度を徐々に増加させながら、粗いスケジュールで対応する補助ヘッドを監督する。
これは、初期のレイヤをグローバルな形状に整列させ、後続のレイヤを高周波のディテールに整列させ、コンテンツスタイルのデカップリングをパートラベルや敵のトレーニングなしで達成する。
StyleFieldsは、忠実な再構築、クロスインスタンスハイブリッドの説得、インジェクションの深さと監督の粒度に対する一貫した改善を提供する。
学習されたサロゲートドラッグ予測器は、再構成された車両を最適化するための微分可能な目的として機能し、補完的な潜水流を凍結することにより、大域的な形状や表面の細部を目標とする編集を可能にする。
StyleFieldsは、コントロール可能な暗黙の再構築と下流のパフォーマンス駆動設計のためのシンプルで効果的なレシピを提供する。
関連論文リスト
- ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。
本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。
提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
論文 参考訳（メタデータ） (2026-07-14T07:06:46Z) - BA-T: An Iterative Transformer for Two-View Bundle Adjustment [53.16990349592508]
暗黙のトークン空間における繰り返し可能なレイヤとして,BAスタイルの構造化更新を実装した反復変換器であるBA-Tを提案する。
実験により、BA-Tは反復間におけるポーズと再構成の精度を徐々に改善することが示された。
BA-Tは、奥行き重心に対するコンパクトで効率的で構造的な代替手段を提供し、軽量アーキテクチャ内で正確な3D再構成を可能にする。
論文 参考訳（メタデータ） (2026-06-02T07:51:14Z) - PartDiffuser: Part-wise 3D Mesh Generation via Discrete Diffusion [14.879669869466072]
PartDiffuserは、ポイント・クラウド・ツー・メッシュ生成のための新しい半自己回帰拡散フレームワークである。
PartDiffuserはDiTアーキテクチャをベースにしており、部分認識のクロスアテンション機構を導入している。
実験により, この手法は3次元メッシュの生成において, 最先端(SOTA)モデルよりもはるかに優れていることが示された。
論文 参考訳（メタデータ） (2025-11-24T06:11:21Z) - LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning [26.88556500272625]
非符号距離場(UDF)に基づく新しい3次元変分オートエンコーダフレームワークを提案する。
私たちの中心となるイノベーションは、UDFを統一サブボリュームであるUBlockに分割することで処理する、ローカルからグローバルなアーキテクチャです。
再現精度と生成品質の両面での最先端性能を実証し,表面の滑らかさと幾何学的柔軟性を向上した。
論文 参考訳（メタデータ） (2025-11-13T07:34:43Z) - Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。
本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。
実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
論文 参考訳（メタデータ） (2025-09-29T16:18:32Z) - DepR: Depth Guided Single-view Scene Reconstruction with Instance-level Diffusion [59.25479674775212]
DepRは深度誘導のシングルビューシーン再構築フレームワークである。
個々のオブジェクトを生成し、それらをコヒーレントな3Dレイアウトに構成する。
限られた合成データで訓練されているにもかかわらず、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-07-30T16:40:46Z) - MultiEditor: Controllable Multimodal Object Editing for Driving Scenarios Using 3D Gaussian Splatting Priors [4.4714079610450765]
MultiEditorは、イメージとLiDARポイントクラウドを共同で編集するように設計された、デュアルブランチの潜伏拡散フレームワークである。
本稿では,モーダル間の相互誘導を適応的に実現する,深度誘導型変形可能なクロスモーダル条件モジュールを提案する。
実験により、MultiEditorは、視覚的および幾何学的忠実度、制御可能性の編集、モダリティ間の整合性において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-07-29T14:42:52Z) - A Latent Implicit 3D Shape Model for Multiple Levels of Detail [95.56814217356667]
入射神経表現は、形状固有の潜伏符号と3D座標を対応する符号距離(SDF)の値にマッピングする。
このアプローチは、単一のレベルの詳細しか提供しません。
そこで我々は,複数の詳細レベルを実現し,各レベルで滑らかな表面を保証できる新しい形状モデリング手法を提案する。
論文 参考訳（メタデータ） (2024-09-10T05:57:58Z) - SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。
我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
論文 参考訳（メタデータ） (2024-06-19T23:53:31Z)
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。