Junliang Ye Shenghao Xie Ruowen Zhao Zhengyi Wang Hongyu Yan Wenqiang Zu Lei Ma Jun Zhu

초록

3D 객체 편집은 게임, 애니메이션, 로봇 공학 등 상호작용형 콘텐츠 제작에 필수적이지만, 기존의 접근 방식은 여전히 비효율적이고 일관성 없으며, 편집되지 않은 영역을 제대로 보존하지 못하는 경우가 많다. 대부분의 기법은 다중 시점 렌더링을 편집한 후 재구성하는 방식을 사용하는데, 이는 아티팩트를 유발하고 실용성에 한계를 초래한다. 이러한 문제를 해결하기 위해, 마스크 없이 정밀하고 일관성 있는 3D 객체 편집을 가능하게 하는 훈련이 필요 없는 프레임워크인 Nano3D를 제안한다. Nano3D는 FlowEdit를 TRELLIS에 통합하여 전면 렌더링을 기반으로 한 국소적 편집을 수행하며, 편집된 영역과 편집되지 않은 영역 간의 일관성을 보장함으로써 구조적 정확성을 적응적으로 유지하는 영역 인지 병합 전략인 Voxel/Slat-Merge를 추가로 도입한다. 실험 결과, 기존 방법과 비교해 Nano3D는 뛰어난 3D 일관성과 시각적 품질을 달성함을 입증하였다. 본 연구를 바탕으로, 10만 개 이상의 고품질 3D 편집 쌍을 포함하는 최초의 대규모 3D 편집 데이터셋인 Nano3D-Edit-100k를 구축하였다. 본 연구는 알고리즘 설계와 데이터 가용성 측면에서 오랫동안 지속된 과제를 해결함으로써, 3D 편집의 일반성과 신뢰성을 크게 향상시키며, 편전형(Feed-forward) 3D 편집 모델의 개발을 위한 기반을 마련한다.프로젝트 페이지: https://jamesyjl.github.io/Nano3D