.png){kind=icon}
返回
Geometry-Aware Joint Attention for Efficient Native 3D Editing
.png){kind=icon}
PRE
AI
DOI：10.1109/lsp.2026.3705718.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
指令引导的3D编辑旨在根据文本指令修改3D对象，同时保持其整体几何结构。然而，现有方法要么依赖基于优化的管线，在推理时速度较慢，要么执行逐视图2D编辑后进行重建，往往导致几何不一致。为解决这些局限性，我们提出UniEdit3D，一种本地的前馈3D编辑模型，直接在扩散变换器中对结构化3D潜在表示进行操作。为使有效的前馈编辑成为可能，我们引入了“几何感知结构化注意力编辑”，这是一种统一的注意力机制，能够对统一的源和目标潜在标记进行联合自注意力推理，明确建模保留几何与编辑结构之间的空间交叉相关性。此外，为解决训练数据不足的问题，我们开发了一个自动化数据构建管线，以生成大规模的指令驱动编辑数据对。实验结果表明，与最先进的基线相比，我们的方法将FID降低了27.2%，同时能够在几秒钟内生成编辑后的3D资产。
Keyword:
3D signal processing
instruction-guided 3D editing
geometric consistency
diffusion transformer
期刊
I
IF:
3.9
论文数:
784
被引数:
0
机构
引用论文
.png){kind=icon}
An Attention-Based Feature Processing Method for Cross-Domain Hyperspectral Image Classification
PREAI
分享收藏分享收藏
查看更多内容