NANO3D: Een trainingsvrije benadering voor efficiënte 3D-bewerking zonder maskers

Samenvatting

3D-objectbewerking is essentieel voor interactieve contentcreatie in gaming, animatie en robotica, maar huidige benaderingen blijven inefficiënt, inconsistent en slagen er vaak niet in onbewerkte regio's te behouden. De meeste methoden vertrouwen op het bewerken van multi-view renderings gevolgd door reconstructie, wat artefacten introduceert en de praktische bruikbaarheid beperkt. Om deze uitdagingen aan te pakken, stellen we Nano3D voor, een trainingsvrij raamwerk voor precieze en samenhangende 3D-objectbewerking zonder maskers. Nano3D integreert FlowEdit in TRELLIS om gelokaliseerde bewerkingen uit te voeren die worden geleid door front-view renderings, en introduceert verder regio-bewuste samenvoegstrategieën, Voxel/Slat-Merge, die structurele trouw adaptief behouden door consistentie te waarborgen tussen bewerkte en onbewerkte gebieden. Experimenten tonen aan dat Nano3D superieure 3D-consistentie en visuele kwaliteit bereikt in vergelijking met bestaande methoden. Op basis van dit raamwerk construeren we de eerste grootschalige 3D-bewerkingsdataset Nano3D-Edit-100k, die meer dan 100.000 hoogwaardige 3D-bewerkingsparen bevat. Dit werk adresseert langdurige uitdagingen in zowel algoritmeontwerp als databeschikbaarheid, verbetert de algemeenheid en betrouwbaarheid van 3D-bewerking aanzienlijk, en legt de basis voor de ontwikkeling van feed-forward 3D-bewerkingsmodellen. Projectpagina: 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: Een trainingsvrije benadering voor efficiënte 3D-bewerking zonder maskers

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

Samenvatting

Support