PEGAsus: 幾何形状とアペアーランスの 3D 個人化

arXiv:2602.08198v1 発表型: 新規 要約: 私たちは、GEOMETRY と APPEARANCE の両方のレベルで形状コンセプトを学習することで、個人化された 3D 形状を生成可能な新しいフレームワーク PEGAsus を提案します。第一に、私たちは 3D 形状の個人化を、参照形状からカテゴリー不感性的な幾何学的およびアペアーランス属性を抽出し、それらの属性をテキストと組み合わせることで新しい形状を生成するという問題として形式化しました。第二に、幾何学的およびアペアーランスの両方のレベルで形状コンセプトを学習するための漸進的な最適化戦略を設計し、形状コンセプトの学習プロセスを分離しました。第三に、私たちの手法を領域ベースのコンセプト学習に拡張し、文脈に依存した損失関数と文脈に依存しない損失関数を備えた柔軟なコンセプト抽出を可能にしました。広範な実験結果は、PEGAsus が多様な参照形状から効果的に属性を抽出し、それらをテキストと組み合わせることで新しい形状を合成できることを示しています。これにより、形状生成に対して微細な制御が可能になり、困難な横カテゴリーシナリオにおいても多様で個人化された結果の作成をサポートします。定量的および定性的な実験の結果が示すように、我々のアプローチは既存的最先進ソリューションを上回ることを確認しています。

arXiv:2602.08198v1 Announce Type: new Abstract: We present PEGAsus, a new framework capable of generating Personalized 3D shapes by learning shape concepts at both Geometry and Appearance levels. First, we formulate 3D shape personalization as extracting reusable, category-agnostic geometric and appearance attributes from reference shapes, and composing these attributes with text to generate novel shapes. Second, we design a progressive optimization strategy to learn shape concepts at both the geometry and appearance levels, decoupling the shape concept learning process. Third, we extend our approach to region-wise concept learning, enabling flexible concept extraction, with context-aware and context-free losses. Extensive experimental results show that PEGAsus is able to effectively extract attributes from a wide range of reference shapes and then flexibly compose these concepts with text to synthesize new shapes. This enables fine-grained control over shape generation and supports the creation of diverse, personalized results, even in challenging cross-category scenarios. Both quantitative and qualitative experiments demonstrate that our approach outperforms existing state-of-the-art solutions.