NANO3D: Un approccio senza addestramento per un editing 3D efficiente senza maschere

Abstract

La modifica di oggetti 3D è essenziale per la creazione di contenuti interattivi nei settori del gaming, dell'animazione e della robotica, ma gli approcci attuali rimangono inefficienti, incoerenti e spesso non preservano le regioni non modificate. La maggior parte dei metodi si basa sulla modifica di rendering multi-vista seguita da una ricostruzione, il che introduce artefatti e limita la praticità. Per affrontare queste sfide, proponiamo Nano3D, un framework senza necessità di addestramento per la modifica precisa e coerente di oggetti 3D senza maschere. Nano3D integra FlowEdit in TRELLIS per eseguire modifiche localizzate guidate da rendering frontali e introduce ulteriori strategie di fusione basate sulle regioni, Voxel/Slat-Merge, che preservano adattivamente la fedeltà strutturale garantendo la coerenza tra aree modificate e non modificate. Gli esperimenti dimostrano che Nano3D raggiunge una superiore coerenza 3D e qualità visiva rispetto ai metodi esistenti. Basandoci su questo framework, abbiamo costruito il primo dataset su larga scala per la modifica 3D, Nano3D-Edit-100k, che contiene oltre 100.000 coppie di editing 3D di alta qualità. Questo lavoro affronta sfide di lunga data sia nella progettazione di algoritmi che nella disponibilità di dati, migliorando significativamente la generalità e l'affidabilità della modifica 3D e gettando le basi per lo sviluppo di modelli di modifica 3D feed-forward. Pagina del progetto: https://jamesyjl.github.io/Nano3D

English

3D object editing is essential for interactive content creation in gaming, animation, and robotics, yet current approaches remain inefficient, inconsistent, and often fail to preserve unedited regions. Most methods rely on editing multi-view renderings followed by reconstruction, which introduces artifacts and limits practicality. To address these challenges, we propose Nano3D, a training-free framework for precise and coherent 3D object editing without masks. Nano3D integrates FlowEdit into TRELLIS to perform localized edits guided by front-view renderings, and further introduces region-aware merging strategies, Voxel/Slat-Merge, which adaptively preserve structural fidelity by ensuring consistency between edited and unedited areas. Experiments demonstrate that Nano3D achieves superior 3D consistency and visual quality compared with existing methods. Based on this framework, we construct the first large-scale 3D editing datasets Nano3D-Edit-100k, which contains over 100,000 high-quality 3D editing pairs. This work addresses long-standing challenges in both algorithm design and data availability, significantly improving the generality and reliability of 3D editing, and laying the groundwork for the development of feed-forward 3D editing models. Project Page:https://jamesyjl.github.io/Nano3D

NANO3D: Un approccio senza addestramento per un editing 3D efficiente senza maschere

NANO3D: A Training-Free Approach for Efficient 3D Editing Without Masks

Abstract

Support