論文の概要: Gate3DGen: A Pre-processing Model that Selectively Purifies Real-World Images for 3D Generation

• arxiv url: http://arxiv.org/abs/2610.31649v1
• Date: Thu, 22 Oct 2026 17:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.511307
• Title: Gate3DGen: A Pre-processing Model that Selectively Purifies Real-World Images for 3D Generation
• Title（参考訳）: Gate3DGen:3D生成のための実世界の画像を選択的に精製する前処理モデル
• Abstract要約: Gate3DGenは、イメージ入力を既存の3Dジェネレータにゲートする選択前処理モデルである。 3次元指向の一段階浄化器は、物体の同一性、輪郭、およびテクスチャ的手がかりの保存を促進する空間的損失を伴う入力を劣化させた。
• 参考スコア（独自算出の注目度）: 48.42148630245077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-image 3D generation has achieved high fidelity on curated benchmarks, yet degrades sharply on real-world images with uneven illumination, blur, and occlusions. Purifying such inputs requires deciding when to intervene and preserving the visual cues needed for 3D generation, while leaving clean inputs unchanged. We introduce Gate3DGen, a selective pre-processing model that gates image inputs to existing 3D generators without retraining them. A degradation-aware router bypasses inputs classified as clean and extracts features to guide purification of the remaining inputs. Conditioned on these features, a 3D-oriented one-step purifier purifies degraded inputs with spatial losses that encourage preservation of object identity, contours, and textural cues. To provide paired supervision, we construct a synthetic data engine that renders clean views of 3D assets and synthesises composite degradations. On the synthetic benchmark, the purifier improves image fidelity and downstream 3D geometry in only 2.3s on average, reducing TRELLIS.2 mesh distance by 61.5% relative to degraded inputs. VLM evaluation and human preferences on real photographs further support identity preservation and degradation correction. More demos and code are available at https://supra-3d.github.io/gate3dgen.
• Abstract（参考訳）: シングルイメージの3D生成は、キュレートされたベンチマークでは高い忠実度を実現しているが、照度、ぼかし、オクルージョンが不均一な現実世界のイメージでは著しく劣化している。 このような入力の清浄には、クリーンな入力をそのまま残しながら、3D生成に必要な視覚的手がかりをいつ介入するかを決め、保存する必要がある。 本稿では,既存の3Dジェネレータに画像入力をゲートする選択前処理モデルであるGate3DGenを紹介する。 劣化認識ルータは、クリーンに分類された入力をバイパスし、残りの入力を浄化するための特徴を抽出する。 これらの特徴に基づき、3D指向の一段階浄化器は、物体のアイデンティティ、輪郭、およびテクスチャ的手がかりの保存を促進する空間的損失を伴う劣化した入力を浄化する。 そこで我々は, 合成データエンジンを構築し, 3次元アセットのクリーンなビューをレンダリングし, 複合劣化を合成する。 合成ベンチマークでは、画像の忠実度と下流の3D形状を平均2.3秒で改善し、TRELLIS.2メッシュ距離を劣化した入力に対して61.5%削減する。 実画像におけるVLM評価と人間の嗜好は、さらにアイデンティティの保存と劣化補正を支援する。 さらなるデモとコードはhttps://supra-3d.github.io/gate3dgen.comで公開されている。

関連論文リスト

• Rethinking 3D Noise: Learning 3D-Aware Video Priors via Optimization-Free Morphological Perturbations [8.600397756762495]
  NeRFや3D Gaussian Splattingといった3Dシーンの表現は、スパースビュー設定で深刻なアーティファクトに悩まされる。 空間的整合性を保つ最適化自由正規化器として3次元形態摂動法を提案する。 提案手法は,最先端の3Dアーティファクトファインダよりも平均深度誤差を12.5%低減しつつ,視覚的忠実さを維持している。
  論文  参考訳（メタデータ） (2026-09-03T10:54:49Z)
• Off The Grid: Detection of Primitives for Feed-Forward 3D Gaussian Splatting [33.7339252839354]
  本稿では,3次元ガウスプリミティブをサブピクセルレベルで検出するフィードフォワードアーキテクチャを提案する。 キーポイント検出にインスパイアされたデコーダは、プリミティブをイメージパッチに分散することを学ぶ。 得られたポーズフリーモデルは数秒でシーンを生成し、フィードフォワードモデルのための最先端の新規ビュー合成を実現する。
  論文  参考訳（メタデータ） (2025-12-17T14:59:21Z)
• Difix3D+: Improving 3D Reconstructions with Single-Step Diffusion Models [65.90387371072413]
  本稿では,3次元再構成と新規ビュー合成を向上する新しいパイプラインであるDifix3D+を紹介する。 このアプローチのコアとなるのは、レンダリングされた新規ビューにおけるアーティファクトの強化と削除のためにトレーニングされた、単一ステップのイメージ拡散モデルであるDifixです。
  論文  参考訳（メタデータ） (2025-03-03T17:58:33Z)
• RIGI: Rectifying Image-to-3D Generation Inconsistency via Uncertainty-aware Learning [27.4552892119823]
  マルチビュースナップショットの不整合は、しばしばオブジェクト境界に沿ってノイズやアーティファクトを導入し、3D再構成プロセスを損なう。 3次元ガウススプラッティング(3DGS)を3次元再構成に利用し,不確実性認識学習を再現プロセスに統合する。 適応的な画素単位の損失重み付けを適用してモデルを正規化し、不確実領域における再構成強度を低減させる。
  論文  参考訳（メタデータ） (2024-11-28T02:19:28Z)
• 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)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• AE-NeRF: Auto-Encoding Neural Radiance Fields for 3D-Aware Object Manipulation [24.65896451569795]
  我々は,AE-NeRF(Auto-Aware Neural Radiance Fields)と呼ばれる3次元物体操作のための新しいフレームワークを提案する。 我々のモデルは自動エンコーダアーキテクチャで定式化され、画像から3次元形状、外観、カメラポーズなどの不整形3D属性を抽出する。 歪み生成ニューラルレージアンスフィールド(NeRF)による特性から高品質な画像が描画される
  論文  参考訳（メタデータ） (2022-04-28T11:50:18Z)

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。