論文の概要: GenIA: Generative Reconstruction with Test-Time Input Alignment

• arxiv url: http://arxiv.org/abs/2610.12388v1
• Date: Thu, 08 Oct 2026 17:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.229989
• Title: GenIA: Generative Reconstruction with Test-Time Input Alignment
• Title（参考訳）: GenIA: テスト時間入力アライメントによる生成的再構築
• Abstract要約: 生成的な3D基礎モデルは、観察されたビューを超えてオブジェクトの幾何学を完成させることができるが、それらの予測は観察された幾何学、外観、またはポーズを忠実に再現しないかもしれない。 我々は, SAM3Dの生成を基礎モデルを再学習することなく, 幾何学的および測光的観察に先立って行うテスト時間入力整列生成のフレームワークであるGenIAを紹介する。 我々は、学習した回転を前もって幾何学から翻訳とスケールを導出することでオブジェクトポーズを改善し、視認性に配慮した注意、観察間融合、およびデノナイジング中の異なるレンダリングガイダンスを通して外観を整列させる。
• 参考スコア（独自算出の注目度）: 43.03798643920805
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reconstructing complete 3D object assets from monocular or sparse multi-view observations remains challenging. Generative 3D foundation models can complete object geometry beyond the observed views, but their predictions may not faithfully reproduce the observed geometry, appearance, or pose. We introduce GenIA, a framework for test-time input-aligned generation that grounds SAM3D's generative prior in geometric and photometric observations without retraining the foundation model. We improve object pose by deriving translation and scale from geometry while retaining the learned rotation prior, and align appearance through visibility-biased attention, cross-observation fusion, and differentiable rendering guidance during denoising. An optional post-denoising refinement further adapts the appearance latent, lightweight decoder adapters, and object placement to the observations. Our framework also supports externally supplied geometry; when given temporal shapes of dynamic objects, it recovers a shared, input-aligned canonical appearance and stable world-space placement. Across synthetic and real benchmarks, GenIA improves pose prediction and object reconstruction from monocular, multi-view, and dynamic inputs, outperforming recent optimization-based, per-frame image-to-3D, and video-to-4D methods. Our project page is available at https://facebookresearch.github.io/GenIA.
• Abstract（参考訳）: 単分子またはスパースな多視点観測から完全な3Dオブジェクト資産を再構築することは依然として困難である。 生成的な3D基礎モデルは、観察されたビューを超えてオブジェクトの幾何学を完成させることができるが、それらの予測は観察された幾何学、外観、またはポーズを忠実に再現しないかもしれない。 我々は, SAM3Dの生成を基礎モデルを再学習することなく, 幾何学的および測光的観察に先立って行うテスト時間入力整列生成のフレームワークであるGenIAを紹介する。 我々は、学習した回転を前もって幾何学から翻訳とスケールを導出することでオブジェクトポーズを改善し、視認性に配慮した注意、観察間融合、およびデノナイジング中の異なるレンダリングガイダンスを通して外観を整列させる。 オプションでデノジング後の改良により、外観遅延、軽量デコーダアダプタ、オブジェクト配置が観察に適応する。 動的オブジェクトの時間的形状を与えられると、共有された入力整列された標準的外観と安定した世界空間配置を復元する。 GenIAは、合成と実のベンチマークを通じて、単眼、マルチビュー、動的入力からのポーズ予測とオブジェクト再構成を改善し、最近の最適化ベース、フレームごとの画像-to-3Dおよびビデオ-to-4Dメソッドより優れています。 プロジェクトのページはhttps://facebookresearch.github.io/GenIA.comで公開されている。

関連論文リスト

• GeoVerse: World-Consistent Novel View Synthesis in Geometric Latent Space [51.75763755769632]
  事前訓練された3次元基礎モデル内で生成を行うことにより,世界一貫性のある新規ビューを合成するフレームワークであるGeoVerseを提案する。 具体的には、GeoVerseはWan2.2 VACEからマルチレベル機能を抽出し、制御ネットスタイルのアダプタを介して幾何学的潜在拡散モデルに注入する。 多様なデータセットにわたる実験では、DL3DVでは2.23dB、Mip-NeRF360では32.4%、視品質と幾何整合性が向上した。
  論文  参考訳（メタデータ） (2026-09-28T17:51:48Z)
• Fysiverse-3D-Vision Technical Report: Generating Executable 3D Worlds from Images through Unified Spatial Reasoning [62.09790533047924]
  生成モデルは、高度な画像条件付き3Dコンテンツ生成が可能だが、単一の画像から制御可能で実行可能な3Dシーンを生成することは、依然として困難である。 本研究では,Fysiverse-3D-Visionを提案する。Fysiverse-3D-Visionは1つの画像から生成した3次元シーンの再構成と実行可能アセット構築のための統合視覚言語-幾何学フレームワークである。 本フレームワークは,既存の手法と比較して,幾何学的整合性,レイアウト推定,レンダリング品質,物理的特性の理解に優れる。
  論文  参考訳（メタデータ） (2026-09-22T06:22:31Z)
• Guiding Image-to-3D Generation with Test-Time Partial Observations [10.438161423840938]
  本研究では,事前学習された画像から3次元生成モデルに部分的幾何学的観察を組み込むための学習自由フレームワークを提案する。 以上の結果から,事前学習した画像から3Dモデルまでが,明示的なテスト時間ガイダンスにより,部分的幾何学的観察を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2026-09-09T17:58:04Z)
• IVGT: Implicit Visual Geometry Transformer for Neural Scene Representation [76.36174247570716]
  ポーズレス多視点画像から連続的かつ一貫性のある幾何を暗黙的にモデル化するインプリシトビジュアル幾何変換器IVGTを提案する。 IVGTは標準座標系で連続的なニューラルネットワークシーン表現を学習し、任意の3D位置での連続的な空間クエリをサポートする。 連続的かつコヒーレントな表面形状の直接抽出を可能にし、任意の視点からRGB画像、深度マップ、表面正規写像のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2026-05-15T17:59:57Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• AlignGS: Aligning Geometry and Semantics for Robust Indoor Reconstruction from Sparse Views [18.361136390711415]
  屋内シーンのセマンティックにリッチな3Dモデルへの需要は急速に増加しており、拡張現実、仮想現実、ロボット工学の応用によって推進されている。 既存の手法は、しばしば意味論を、既に形成され、潜在的に欠陥のある幾何学に描かれた受動的特徴として扱う。 本稿では、このビジョンを実現する新しいフレームワークであるAlignGSを紹介し、幾何学と意味論の相乗的でエンドツーエンドの最適化を開拓する。
  論文  参考訳（メタデータ） (2025-10-09T06:30:20Z)
• SCORP: Scene-Consistent Object Refinement via Proxy Generation and Tuning [46.441761732998536]
  プロキシジェネレーションとチューニング(SCORP)によるシーン一貫性オブジェクトリファインメント(Scene-Consistent Object Refinement)について紹介する。 SCORP は、3D 生成に先立って細粒度なオブジェクトの形状と外観を復元する新しい3D拡張フレームワークである。 これは、新しいビュー合成と幾何完成タスクの両方において、最近の最先端のベースラインに対して一貫した利得を達成する。
  論文  参考訳（メタデータ） (2025-06-30T13:26:21Z)

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。