論文の概要: NOFACE3D: NOise-scheduled Focused Anchoring and Controlled Enhancement for 3D Generation

• arxiv url: http://arxiv.org/abs/2610.13050v1
• Date: Fri, 09 Oct 2026 06:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.418056
• Title: NOFACE3D: NOise-scheduled Focused Anchoring and Controlled Enhancement for 3D Generation
• Title（参考訳）: NOFACE3D:Noise-scheduled Focused Anchoring and Controlled Enhancement for 3D Generation
• Abstract要約: NOFACE3Dはトレーニング不要のフレームワークで、詳細クリティカルな領域を洗練しつつ、残りの部分を保存する。 TRELLIS.2のNOFACE3Dとそのスパースボクセル表現を実装した。 NOFACE3DをPAniC-3D, TexVerse, BigDetailで評価した。
• 参考スコア（独自算出の注目度）: 2.9405151449830993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent image-to-3D models generate complete, high-quality assets from a single image, with global shape and appearance that are already convincing; what remains is the fine scale, where small, thin, elongated, or detail-rich regions are reconstructed softly and under-resolved. This gap can arise in generators with fixed-resolution spatial grids: the same spatial sampling density is used for a large, smooth, low-curvature surface and for a thin, high-curvature structure that carries most of the perceived detail. To this end, we introduce NOFACE3D, a training-free framework that refines these detail-critical regions while preserving the rest of the asset. Given a generated mesh, its input image, and a refinement box, NOFACE3D extracts the selected submesh, scales it up to fill the generator's input volume, and re-encodes it into the full-resolution latent grid. Conditioned on the image crop, it refines the region through flow-based sampling with a spatially varying noise schedule that anchors boundary latents. The refined region is then integrated back into the original asset, preserving the surrounding geometry and appearance. We implement NOFACE3D on TRELLIS.2 and its sparse voxel representation; all of it operates purely at inference time on the frozen pretrained generator. We evaluate NOFACE3D on PAniC-3D, TexVerse and BigDetail, a new benchmark of 339 assets with annotated detail-critical regions. On all three, it generates sharper geometry and finer texture detail than the baselines. Project page: https://idkcouscous.github.io/NoFACE3D/
• Abstract（参考訳）: 最近の画像から3Dのモデルでは、1つの画像から完全な高品質の資産を生成し、その形状と外観はすでに説得力がある。 このギャップは固定解像度の空間格子を持つ発電機で生じうる:同じ空間サンプリング密度は、大きく、滑らかで、低曲率な表面と、知覚された詳細の多くを伝達する薄い、高曲率な構造に使用される。 この目的のために、トレーニング不要のフレームワークであるNOFACE3Dを導入し、これらの詳細クリティカルな領域を洗練しつつ、残りの部分を保存する。 NOFACE3Dは、生成されたメッシュ、その入力画像および精細化ボックスを与えられた後、選択したサブメッシュを抽出し、ジェネレータの入力ボリュームを埋めるためにスケールアップし、それを全解像度の潜在格子に再エンコードする。 画像作物に条件付きで、境界潜水器をアンカーする空間的に変化するノイズスケジュールで、フローベースサンプリングにより領域を洗練する。 精製された領域は元の資産に再統合され、周囲の幾何学や外観が保たれる。 TRELLIS.2のNOFACE3Dとそのスパースボクセル表現に実装し、その全ては、凍結した事前訓練された発電機で推論時に純粋に動作する。 NOFACE3DをPAniC-3D, TexVerse, BigDetailで評価した。 3つとも、ベースラインよりもシャープな幾何学とテクスチャのディテールが生成される。 プロジェクトページ:https://idkcouscous.github.io/NoFACE3D/

関連論文リスト

• Extend3D: Town-Scale 3D Generation [31.052455723067684]
  1枚の画像から3Dシーンを生成するためのトレーニング不要パイプラインであるExtended3Dを提案する。 拡張潜在空間を重なり合うパッチに分割することにより、各パッチにオブジェクト中心の3D生成モデルを適用し、各ステップで結合する。 3次元リファインメントにおける3次元構造の不完全さをノイズとして扱うことにより,低騒音という概念による3次元合成が可能となる。
  論文  参考訳（メタデータ） (2026-03-31T07:55:04Z)
• Points-to-3D: Structure-Aware 3D Generation with Point Cloud Priors [47.080898117231435]
  幾何学制御可能な3Dアセットとシーン生成にポイントクラウドを活用できる拡散ベースのフレームワークであるPoints-to-3Dを紹介する。 TRELLISフレームワーク内で、グローバルな構造的インペイントを学習するために設計されたタスク固有データに基づいてトレーニングされた構造的インペイントネットワークを用いて、ステージ化されたサンプリング戦略を用いて推論を行う。 オブジェクトとシーンシナリオの両方の実験は、レンダリング品質と幾何学的忠実度の観点から、最先端のベースラインよりも優れたパフォーマンスを一貫して示している。
  論文  参考訳（メタデータ） (2026-03-19T11:33:27Z)
• 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)
• ScalingGaussian: Enhancing 3D Content Creation with Generative Gaussian Splatting [30.99112626706754]
  高品質な3Dアセットの作成は、デジタル遺産、エンターテイメント、ロボット工学の応用において最重要である。 伝統的に、このプロセスはモデリングに熟練した専門家と専門的なソフトウェアを必要とする。 本稿では,3Dテクスチャを効率的に生成する新しい3Dコンテンツ作成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T18:26:01Z)
• LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image [64.94932577552458]
  大規模再構成モデルは、単一または複数入力画像から自動3Dコンテンツ生成の領域において大きな進歩を遂げている。 彼らの成功にもかかわらず、これらのモデルはしばしば幾何学的不正確な3Dメッシュを生成し、画像データからのみ3D形状を推論する固有の課題から生まれた。 生成した3Dメッシュの忠実度を高めるために3Dポイントクラウドデータを利用する新しいフレームワークであるLarge Image and Point Cloud Alignment Model (LAM3D)を導入する。
  論文  参考訳（メタデータ） (2024-05-24T15:09:12Z)
• 3D-SceneDreamer: Text-Driven 3D-Consistent Scene Generation [51.64796781728106]
  本稿では,2次元拡散モデル以前の自然画像と,現在のシーンのグローバルな3次元情報を利用して,高品質で新しいコンテンツを合成する生成的精細化ネットワークを提案する。 提案手法は,視覚的品質と3次元の整合性を改善した多種多様なシーン生成と任意のカメラトラジェクトリをサポートする。
  論文  参考訳（メタデータ） (2024-03-14T14:31:22Z)
• ARTIC3D: Learning Robust Articulated 3D Shapes from Noisy Web Image Collections [71.46546520120162]
  単眼画像から動物体のような3D関節形状を推定することは、本質的に困難である。 本稿では,スパース画像コレクションから各物体の形状を再構築する自己教師型フレームワークARTIC3Dを提案する。 我々は、剛性部分変換の下で、描画された形状とテクスチャを微調整することで、現実的なアニメーションを作成する。
  論文  参考訳（メタデータ） (2023-06-07T17:47:50Z)
• OSTeC: One-Shot Texture Completion [86.23018402732748]
  ワンショット3D顔テクスチャ補完のための教師なしアプローチを提案する。 提案手法では,2次元フェースジェネレータで回転画像を再構成することにより,入力画像を3次元で回転させ,見えない領域を埋め込む。 完成したテクスチャーをジェネレーターに投影することで、ターゲットイメージを先取りします。
  論文  参考訳（メタデータ） (2020-12-30T23:53:26Z)

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。