Newest papers

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

Xiaolin Li, Zihao Huang, Fanpeng Meng, Chen Yang, Guanjun Wu, Kai Zhang, Jiemin Fang, Qi Tian · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31649 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Tạo hình 3D có độ tin cậy cao trên các tiêu chuẩn được chỉnh sửa, nhưng giảm mạnh trên các hình ảnh thế giới thực với độ sáng, mờ và ô nhiễm không đồng đều. Làm sạch các đầu vào như vậy đòi hỏi phải quyết định khi nào để can thiệp và bảo tồn các dấu hiệu hình ảnh cần thiết cho sản xuất 3D, trong khi để lại các đầu vào sạch không thay đổi. Chúng tôi giới thiệu Gate3DGen, một mô hình xử lý trước chọn lọc theo định hướng 3D mà cổng các đầu vào hình ảnh đến các máy phát điện 3D hiện có mà không đào tạo lại chúng. Một bộ định tuyến nhận thức về sự suy giảm bỏ qua các đầu vào được phân loại là sạch sẽ và trích xuất các tính năng để hướng dẫn việc thanh lọc các đầu vào còn lại. Được điều chỉnh trên các tính năng này, một máy làm sạch một bước chọn lọc 3D làm sạch đầu vào

Machine translation (Meta M2M100); the English original follows.

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.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Object (grammar), Computer science, Artificial intelligence, Engineering, Computer vision, Fidelity

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange