論文の概要: SUPRA-TEX: 3D Generation with Super-Aligned Texture

• arxiv url: http://arxiv.org/abs/2610.22352v1
• Date: Thu, 15 Oct 2026 17:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.276466
• Title: SUPRA-TEX: 3D Generation with Super-Aligned Texture
• Title（参考訳）: SUPRA-TEX:超高配向テクスチャを用いた3次元生成
• Abstract要約: 単一の画像3D生成は、所定の3Dメッシュに光沢のある素材を詰め込むことを目的としている。 SupraTexは、可視物質推定、表面デカップリング、観察誘導3D補完の原理に基づいている。
• 参考スコア（独自算出の注目度）: 43.42609593966575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image 3D generation aims to dress a given 3D mesh with relightable materials while faithfully preserving the visual details of a reference image. Existing methods either introduce artifacts when fusing inconsistent multi-view predictions or struggle to preserve fine details through implicit image-feature conditioning. To resolve these challenges, we introduce SUPRA-Tex, built on the principle of decoupling visible-material estimation, surface alignment, and observation-guided 3D completion. This division of labor allows the 3D generator, trained on limited 3D data, to focus its capacity on preserving visible evidence and completing unobserved surfaces. Specifically, we first train an MLLM-based image editing model to predict lighting-separated PBR maps in the reference view. We then project these maps onto the visible surface and encode them with the pretrained material VAE encoder into native observation latents that share the generation target's latent space. An interleaved flow transformer holds these latents as fixed, read-only anchors while alternating unobserved-region and full-surface updates to generate complete material latents. This design achieves super-alignment with the reference, delivering What You See Is What You Get fidelity on visible regions and coherent completion on unobserved surfaces. Trained solely on public datasets, SUPRA-Tex achieves SOTA performance in both geometry-conditioned texturing and end-to-end asset generation, matching or even exceeding leading commercial systems on in-the-wild images. Project page: https://supra-3d.github.io/supratex/
• Abstract（参考訳）: 単一の画像3D生成は、参照画像の視覚的詳細を忠実に保存しながら、所定の3Dメッシュに光沢のある材料を詰め込むことを目的としている。 既存の手法では、一貫性のないマルチビュー予測を融合するアーティファクトを導入するか、暗黙のイメージ・フィーチャー・コンディショニングを通じて細部を保存するのに苦労する。 これらの課題を解決するために,可視物質推定,表面アライメント,観察誘導3次元補完の原理に基づくSUPRA-Texを導入する。 この分業により、限られた3Dデータに基づいて訓練された3Dジェネレータは、目に見える証拠の保存と未観測表面の完成に集中することができる。 具体的には、まずMLLMに基づく画像編集モデルをトレーニングし、参照ビューにおける照度分離されたPBRマップを予測する。 次に、これらのマップを可視面に投影し、トレーニング済みの物質VAEエンコーダでエンコードし、生成対象の潜伏空間を共有するネイティブ観測潜水器に符号化する。 インターリーブドフロートランスは、これらの潜水剤を固定された読み取り専用アンカーとして保持し、未観測領域と全表面更新を交互に行い、完全な潜水剤を生成する。 この設計は、参照とスーパーアライメントを達成し、可視領域に“What You See Is What You Get fidelity”を提供し、観測されていない表面をコヒーレントに補完する。 SUPRA-Texは、公開データセットのみに基づいて訓練され、幾何条件付きテクスチャとエンドツーエンドのアセット生成の両方でSOTAのパフォーマンスを達成している。 プロジェクトページ: https://supra-3d.github.io/supratex/

関連論文リスト

• 3D-VITAL: Visibility-aware Identity Training from Artificial Liftings of 3D Reconstruction model for Cross-View Object Re-Identification [1.621606615628714]
  本稿では,クロスビューオブジェクト再識別(ReID)タスクに対処する。 この視点ギャップを埋めるために、関連する研究は生成モデルを用いて、ソース画像から新しいビューを追加のトレーニングデータとして合成する。 大規模単一ビュー3Dメッシュ再構成の最近の進歩を活用して、ソースイメージをテクスチャ化されたメッシュに上げ、新しい視点からレンダリングする。
  論文  参考訳（メタデータ） (2026-10-12T12:29:06Z)
• Sparse auto-regressive modeling for scene generation from multi-view images [20.272184280044083]
  SPAR3Sは,条件付きシーン補完のためのスパース・ボクセル・アライメント3次元潜時生成モデルである。 我々の重要な洞察は、構造化されたコンパクトな3次元ラテント空間における3Dシーン生成を定式化することである。 本手法が室内の合成シーンに与える影響を実証し, 先行作業よりも新規視認性が高いことを示した。
  論文  参考訳（メタデータ） (2026-09-03T14:41:34Z)
• TEXTRIX: Latent Attribute Grid for Native Texture Generation and Beyond [42.93031959503468]
  TEXTRIXは、高忠実なテクスチャ合成と下流アプリケーションのためのネイティブな3D属性生成フレームワークである。 提案手法は遅延型3D属性グリッドを構築し, スパースアテンションを備えた拡散変圧器を利用する。 このネイティブ表現に基づいて構築されたこのフレームワークは、グリッド上のセマンティック属性を予測するために同じアーキテクチャをトレーニングすることで、自然に高精度な3Dセグメンテーションに拡張する。
  論文  参考訳（メタデータ） (2025-12-02T18:18:20Z)
• SeqTex: Generate Mesh Textures in Video Sequence [62.766839821764144]
  本稿では3次元テクスチャ生成モデルのトレーニングのための新しいエンドツーエンドフレームワークであるSeqTexを紹介する。 画像条件とテキスト条件の両テクスチャ生成タスクにおいて,SeqTexは最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-06T07:58:36Z)
• SuperCarver: Texture-Consistent 3D Geometry Super-Resolution for High-Fidelity Surface Detail Generation [70.76810765911499]
  粗いメッシュ上にテクスチャ一貫性のある表面の詳細を補うための3次元幾何学的超解像パイプラインであるSuperCarverを紹介する。 実験により、私たちのSuperCarverは実際のテクスチャの外観によって描写された現実的で表現力のある表面の詳細を生成することができることが示された。
  論文  参考訳（メタデータ） (2025-03-12T14:38:45Z)
• 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)
• High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
  フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。 提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:52Z)

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。