論文の概要: Is This 3D Asset Usable? Beyond the Beauty Render for Asset Curation

• arxiv url: http://arxiv.org/abs/2611.04102v1
• Date: Tue, 03 Nov 2026 00:24:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:39:20.697689
• Title: Is This 3D Asset Usable? Beyond the Beauty Render for Asset Curation
• Title（参考訳）: この3Dアセットは、アセット・キュレーションのための美しいレンダーを超えて使えるか?
• Abstract要約: 大規模な3Dレポジトリは、資産の収集を容易にするが、それらを確実に再利用できるかどうかを判断することは困難である。 診断レンダリングエビデンス(DRE: Diagnostic Rendered Evidence): 整列美容、ワイヤーフレーム、UV-シーム+ワイヤーフレームビュー。 1,234人のラベル付きTexVerse資産で、DREは86.36%のバランスの取れた精度と88.32%の不正なリコールを達成した。
• 参考スコア（独自算出の注目度）: 3.7925053861249816
• License:
• Abstract: Large 3D repositories make it easy to collect assets, but difficult to determine whether they can be reused reliably across scene assembly, editing, rendering, game production, and training-data construction. An asset can look plausible in RGB while hiding disconnected geometry, problematic UV organization, or materials that fail to resolve correctly after import. We introduce Diagnostic Rendered Evidence (DRE): aligned beauty, wireframe, and UV-seam-plus-wireframe views scored by pass-specific frozen ViT classifiers and combined through late fusion. On 1,234 human labeled TexVerse assets, nested grouped evaluation achieves 86.36% balanced accuracy and 88.32% bad-asset recall. On a separate, balanced 764 external reference test, DRE achieved 88.9% balanced reference-label accuracy. Our method requires only an imported asset and renderer-derived evidence, without repository identity, creator, popularity, text, or source metadata at inference. Our results support cross-corpus portability and show that purpose built diagnostic views expose defects that just the beauty views can miss. Webpage: https://rbz-99.github.io/is-this-3d-asset-usable/
• Abstract（参考訳）: 大規模な3Dレポジトリは、アセットの収集を容易にするが、シーンアセンブリ、編集、レンダリング、ゲーム制作、トレーニングデータ構築で確実に再利用できるかどうかを判断するのは難しい。 資産は、不連結な幾何学、問題のあるUV組織、あるいは輸入後に正しく解決できない材料を隠蔽しながら、RGBで妥当に見えます。 診断レンダリング証拠 (DRE): パス固有凍結型ViT分類器により得られた, 整列性, ワイヤフレーム, およびUV-シーム+ワイヤフレームビューを, 後期融合により組み合わせて紹介する。 1,234人のラベル付きTexVerse資産では、ネストされたグループ評価が86.36%のバランスの取れた精度と88.32%のアセットリコールを達成した。 別個の764の外部基準試験では、DREは88.9%のバランスの取れた基準ラベルの精度を達成した。 提案手法では,レポジトリのアイデンティティ,作成者,人気,テキスト,あるいはソースメタデータを推論せずに,インポートされたアセットとレンダラー由来のエビデンスのみを必要とする。 私たちの結果は、クロスコーパスポータビリティをサポートし、目的の診断ビューが、美容ビューだけを見逃す可能性のある欠陥を露呈することを示しています。 Webページ: https://rbz-99.github.io/is-this-3d-asset-usable/

関連論文リスト

• The Knowledge Layer Model (KLM): Evidence-Visible AI Output, Routing Diagnostics, and Negative Results [0.0]
  推論レコードのオープンな実装ニュートラル仕様である知識層モデル(KLM)を導入する。 実験材料は、エンドツーエンドの検証ではなく、別の内部実験から成り立っている。 発見は内部および著者によって報告され、歴史的観察は後世の複製と区別される。
  論文  参考訳（メタデータ） (2026-10-30T17:26:18Z)
• Where Do Vision Language Models Fail at 3D Reasoning? [47.6491029140717]
  視覚言語モデルは、回復に苦労しながら個々の判断を正しく得ることができ、3Dオブジェクトの正確な特性を一貫して利用することができる。 BedBenchは、個別の判断と複合回答にまたがる13の手続き的に生成されたタスクのベンチマークである。 人間の精度は93.3%であり、最良のモデルでは7.2%である。
  論文  参考訳（メタデータ） (2026-10-29T09:00:14Z)
• NovaFabric: Tamper-Evident, Replayable Evidence for Autonomous AI Agent Runs [0.0]
  我々はNovaFabricを紹介し、監査グレードの実行証拠を作成している。 エージェントロジックを変更することなく実行中のエージェントを、ポータブルなRun Capsuleに記録する。 シードランは4モードのリプレイプロトコルで再実行可能である。 我々は8つの研究課題を測定範囲で評価した。
  論文  参考訳（メタデータ） (2026-09-11T08:35:43Z)
• MatReplace: A Reference-Free, Conditioning-Aligned Benchmark for Material Replacement in Interior Scenes [49.454624206478]
  MatReplaceは、4つの検証可能な次元に沿って編集を評価する、参照なしのベンチマークである。 A)命令のみ、(B)命令+エリアマスク、(C)教材参照画像の3つのトラックを定義している。 以上の結果から,命名と視覚的接地材料との明確な相違が明らかとなった。
  論文  参考訳（メタデータ） (2026-08-25T06:11:18Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• GRAID: Enhancing Spatial Reasoning of VLMs Through High-Fidelity Data Generation [31.365285503503475]
  標準検出器から2次元ボックスを用いて空間推論を学習するためのフレームワークを提案する。 GRAIDデータに基づいて訓練すると、モデルは過剰詳細保持型を一般化する空間的推論概念を学習する。 また、すべての質問タイプでトレーニングすると、いくつかの既存のベンチマークの改善が達成されることを示す。
  論文  参考訳（メタデータ） (2025-10-25T02:07:23Z)
• Integrating Artificial Intelligence Models and Synthetic Image Data for Enhanced Asset Inspection and Defect Identification [0.44726766759482234]
  過去のユーティリティーは、資産欠陥を特定するためにフィールド内検査に頼っていた。 近年,フィールドインスペクション(フィールドインスペクション)のプロセスを強化するために,ドローンによる検査の導入が始まっている。 本稿では,合成資産欠陥画像と手動でラベル付けしたドローン画像を組み合わせた新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-10-15T18:14:21Z)
• AIM 2024 Sparse Neural Rendering Challenge: Dataset and Benchmark [43.76981659253837]
  異なるレンダリングは、シーンの密集した視点のカバレッジに依存します。 ほんのわずかのインプットビューが利用できる場合、多くの課題が発生する。 スパースレンダリング文学における繰り返し発生する問題は、均一で最新のデータセットと評価プロトコルがないことである。 DTU MVSデータセットのセットアップに従う新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2024-09-23T14:10:06Z)
• Meta 3D AssetGen: Text-to-Mesh Generation with High-Quality Geometry, Texture, and PBR Materials [58.178540282148475]
  AssetGenはテキストから3D生成の大幅な進歩である。 テクスチャと素材制御を備えた忠実で高品質なメッシュを生成する。
  論文  参考訳（メタデータ） (2024-07-02T17:21:47Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)

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。