論文の概要: Channel Match: Calibrating Shape Latents for Few-Step 3D Generation
- arxiv url: http://arxiv.org/abs/2610.15321v1
- Date: Sun, 11 Oct 2026 03:50:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 01:37:53.883644
- Title: Channel Match: Calibrating Shape Latents for Few-Step 3D Generation
- Title（参考訳）: チャネルマッチング: 簡単な3D生成のためのキャリブレーション形ラテン剤
- Abstract要約: 本稿では,JVP FlashAttentionカーネルを用いた連続的な自己整合性トレーニングにより,ネイティブ3D生成のための数ステップの蒸留フレームワークを提案する。
サンプリング誘起潜時分布ドリフトは幾何的正しさを保ちながら下流のPBRテクスチャ合成を阻害する。
いずれのジェネレータも変更することなく潜時分布を復元する学習自由適応型チャネルごと潜時キャリブレーション法であるChannel Matchを提案する。
- 参考スコア（独自算出の注目度）: 10.690679971109937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent native 3D generators achieve high-quality asset creation by modeling structured 3D latents with flow-based transformers, but their high-resolution generation remains computationally expensive due to costly iterative sampling. In this work, we introduce a few-step distillation framework for native 3D generation, enabled by continuous self-consistency training with a custom JVP FlashAttention kernel and an analytic velocity regression objective for sparse structured 3D latents. To stabilize joint optimization, we further introduce an adaptive loss weighting strategy that automatically balances them without manual tuning. Beyond acceleration, we reveal a previously overlooked failure mode of few-step native 3D generation: sampling-induced latent distribution drift preserves geometric correctness but disrupts downstream PBR texture synthesis, causing texture artifacts on geometrically valid assets. To address this issue, we propose Channel Match, a training-free adaptive per-channel latent calibration method that restores the latent distribution without modifying either generator. We validate our approach on TRELLIS.2 at the $1024^3$ resolution setting. Our two-step model achieves $4.5\times$ faster geometry sampling while maintaining geometry quality comparable to the many-step teacher, and Channel Match further improves rendering quality by recovering the latent interface between geometry and appearance generation.
- Abstract（参考訳）: 近年のネイティブ3Dジェネレータは,フローベース変圧器を用いた構造化3D潜水器のモデリングにより,高品質なアセット生成を実現している。
本稿では, 独自のJVP FlashAttentionカーネルを用いた連続自己整合性トレーニングと, スパース構造3D潜水機の解析速度回帰により実現した, ネイティブ3D生成のための数ステップの蒸留フレームワークを提案する。
共同最適化を安定させるために,手動チューニングなしで自動的にバランスをとる適応的損失重み付け戦略を導入する。
サンプリング誘起潜伏分布ドリフトは、幾何的正しさを保つが、下流のPBRテクスチャ合成を妨害し、幾何学的に有効な資産にテクスチャアーティファクトをもたらす。
この問題に対処するために,Channel Matchを提案する。Channel Matchはトレーニング不要の適応型チャネルごとの潜時キャリブレーション手法で,どちらのジェネレータも変更せずに潜時分布を復元する。
TRELLIS.2へのアプローチを1024^3$の解像度設定で検証する。
我々の2段階モデルでは、多段階の教師に匹敵する幾何学的品質を維持しつつ、より高速な幾何学的サンプリングを実現し、Channel Matchは、幾何学と外観生成の間の潜伏したインターフェースを復元することにより、レンダリング品質をさらに向上する。
関連論文リスト
- Flow3D-OPD: Multi-Teacher On-Policy Distillation for 3D Geometry Generation with Flow-Matching Diffusion Transformer [26.474560149220917]
三次元幾何生成のための2段階後学習フレームワークである textbfFlow3D-OPD を提案する。
第1段階では,事前学習モデルの基礎能力を高めるために準政治を利用する。
第2段階では、異質な専門知識を統一された学生モデルに統合する。
論文 参考訳（メタデータ） (2026-09-07T07:36:52Z) - GeoRect4D: Geometry-Compatible Generative Rectification for Dynamic Sparse-View 3D Reconstruction [16.448484686109992]
マルチビュービデオからダイナミックな3Dシーンを再構築することは、しばしば幾何学的な崩壊、軌道のドリフト、浮き彫りのアーティファクトに繋がる、非常に不適切である。
最近の試みでは、欠落したコンテンツに幻覚を与える遺伝子前駆体を導入しているが、ナイーブな統合はしばしば構造的ドリフトと時間的不整合を引き起こす。
そこで本稿では, 疎視動的再構成のための新しい統合フレームワークであるGeoRect4Dを提案する。
論文 参考訳（メタデータ） (2026-04-22T17:12:02Z) - TAPESTRY: From Geometry to Appearance via Consistent Turntable Videos [65.99602532894241]
明示的な3次元幾何学に基づく高忠実度TTVを生成するためのフレームワークであるTAPESTRYを紹介する。
また,3D-Aware Inpaintingを用いた多段パイプラインを特徴とする,TTV入力からの下流再構成タスクを設計する。
その結果,本手法はビデオの整合性と最終的な再現性の両方において,既存の手法よりも優れていた。
論文 参考訳（メタデータ） (2026-03-18T14:02:09Z) - FTSplat: Feed-forward Triangle Splatting Network [0.0]
キャリブレーションされた多視点画像から連続した三角形表面を直接予測する三角形原始生成のためのフィードフォワードフレームワークを提案する。
本手法は,シミュレーション可能なモデルを1つのフォワードパスで生成し,シーンごとの最適化や後処理の必要性を回避する。
論文 参考訳（メタデータ） (2026-03-06T06:04:09Z) - Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。
PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。
3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
論文 参考訳（メタデータ） (2026-02-02T07:21:15Z) - A Continuous-Time Consistency Model for 3D Point Cloud Generation [0.6308539010172308]
点空間で直接3Dを合成する連続時間一貫性モデルであるConTiCoM-3Dを導入する。
この方法は、TrigFlowにインスパイアされた連続ノイズスケジュールと、Chamfer Distanceに基づく幾何損失を統合する。
ShapeNetベンチマークの実験では、ConTiCoM-3Dは、最先端の拡散モデルと潜時一貫性モデルとを品質と効率の両方で一致または比較している。
論文 参考訳（メタデータ） (2025-09-01T14:11:59Z) - Step1X-3D: Towards High-Fidelity and Controllable Generation of Textured 3D Assets [90.99212668875971]
Step1X-3Dは、データの不足、アルゴリズムの制限、エコシステムの断片化といった課題に対処するオープンフレームワークである。
拡散型テクスチャ合成モジュールとハイブリッドVAE-DiTジオメトリジェネレータを組み合わせた2段階の3Dネイティブアーキテクチャを提案する。
ベンチマークの結果は、既存のオープンソースメソッドを超える最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-05-12T16:56:30Z) - 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) - DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。
実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
論文 参考訳（メタデータ） (2024-12-11T07:32:17Z) - 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) - Self-supervised Learning for Enhancing Geometrical Modeling in 3D-Aware
Generative Adversarial Network [42.16520614686877]
3D-GANは、メッシュの不完全性や穴などの3D幾何学的モデリングにおいて、アーティファクトを示す。
これらの欠点は、主にアノテーション付き3Dデータの可用性が制限されているためである。
本稿では,任意の3D-GANの補助的損失を補うセルフ・スーパーバイザード・ラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-12-19T04:55:33Z)
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。