論文の概要: VitronEdit: Universal Visual Editing across Images, Videos, and 3D Scenes

• arxiv url: http://arxiv.org/abs/2610.27049v1
• Date: Mon, 19 Oct 2026 17:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.441029
• Title: VitronEdit: Universal Visual Editing across Images, Videos, and 3D Scenes
• Title（参考訳）: VitronEdit: 画像、ビデオ、そして3Dシーンにまたがるユニバーサルなビジュアル編集
• Abstract要約: VitronEditは、画像、ビデオ、および3Dシーン編集のための普遍的なフレームワークである。 本稿では,事前学習した幾何再構成モデルを利用して,深度とカメラ目的の監視を行う,幾何認識後トレーニングを提案する。 幾何学的監督を3Dサンプルにのみ適用すると、全体的な性能は最高になるが、画像やビデオの編集も、直接幾何学的監督を受けていないにもかかわらず改善される。
• 参考スコア（独自算出の注目度）: 45.473904269413225
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in unified visual editing have begun to consolidate image and video editing within a single model, while 3D scene editing remains largely separate and constrained by scarce paired training data. Given the rich image and video editing supervision now available and the common editing semantics shared across modalities, a natural question is whether this knowledge can be transferred to data-scarce 3D editing. We present VitronEdit, a universal framework for image, video, and 3D scene editing. VitronEdit adopts a shared sequence representation and progressive multimodal training to transfer editing knowledge across modalities. We further introduce geometry-aware post-training, which leverages a pretrained geometry reconstruction model to provide depth and camera-pose supervision. Surprisingly, applying geometric supervision only to 3D samples yields the best overall performance, while image and video editing also improve despite receiving no direct geometric supervision, suggesting that geometric regularization transfers through the shared backbone. Our analysis further shows that image and video training mainly transfers editing semantics to 3D, whereas 3D supervision primarily improves multi-view consistency. The project page: https://vitron-llm.github.io/VitronEdit/.
• Abstract（参考訳）: 近年,画像編集と映像編集の統一化が進み,映像編集と映像編集の融合が進んでいる。 現在利用可能なリッチな画像およびビデオ編集の監督と、モダリティ間で共有される一般的な編集セマンティクスを考えると、この知識がデータ共有3D編集に移行できるかどうかという自然な疑問がある。 本稿では,映像・映像・3Dシーン編集のためのユニバーサルフレームワークであるVitronEditを紹介する。 VitronEditは共有シーケンス表現とプログレッシブマルチモーダルトレーニングを採用し、モダリティ間で編集知識を伝達する。 さらに、事前トレーニングされた幾何再構成モデルを利用して、深度とカメラ目的の監視を行う、幾何認識後トレーニングについても紹介する。 驚くべきことに、幾何学的監督を3Dサンプルにのみ適用すると、全体的なパフォーマンスが向上する一方、画像とビデオの編集も、直接幾何学的監督を受けていないにもかかわらず改善され、幾何学的正規化が共有バックボーンを通して転送される可能性が示唆された。 さらに、画像と映像の訓練は、主にセマンティクスを3Dに転送するのに対し、3Dの監督は、主にマルチビューの一貫性を改善する。 プロジェクトページ:https://vitron-llm.github.io/VitronEdit/。

関連論文リスト

• Feedforward 3D Editing Learns from Semantic-Part Transformation [13.61340944347895]
  フィードフォワード3D編集における中心的な課題は、高品質なペア管理の欠如にある。 スケーラブルなフィードフォワード3D編集はセマンティック部分変換から学習されるべきである。 PartFlowはフィードフォワード3D編集ネットワークで、ソース認識の潜伏制御を事前訓練された3D生成先行に注入する。
  論文  参考訳（メタデータ） (2026-05-26T17:51:59Z)
• Fast Multi-view Consistent 3D Editing with Video Priors [19.790628738739354]
  生成ビデオ優先型3D編集(ViP3DE)を提案する。 私たちの重要な洞察は、ビデオ生成モデルを1つの編集されたビューに条件付けして、他の一貫した編集されたビューを生成して、直接3D更新することです。 提案したViP3DEは,1回のフォワードパスでも高品質な3D編集結果が得られる。
  論文  参考訳（メタデータ） (2025-11-28T13:31:10Z)
• Sketch3DVE: Sketch-based 3D-Aware Scene Video Editing [41.74354582607005]
  ビデオ中の3Dシーンの構造的内容の編集は依然として難しい。 主な課題は、オリジナルのビデオと一貫性のある新しいビューコンテンツの生成だ。 スケッチに基づく3次元映像編集手法であるSketch3DVEを提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:57:31Z)
• View-Consistent 3D Editing with Gaussian Splatting [50.6460814430094]
  View-Consistent Editing (VcEdit)は、3DGSをシームレスに画像編集プロセスに組み込む新しいフレームワークである。 一貫性モジュールを反復パターンに組み込むことで、VcEditはマルチビューの不整合の問題を十分に解決する。
  論文  参考訳（メタデータ） (2024-03-18T15:22:09Z)

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。