NANO3D: Uma Abordagem Livre de Treinamento para Edição Eficiente de 3D Sem Máscaras

Resumo

A edição de objetos 3D é essencial para a criação de conteúdo interativo em jogos, animação e robótica, mas as abordagens atuais permanecem ineficientes, inconsistentes e frequentemente falham em preservar as regiões não editadas. A maioria dos métodos depende da edição de renderizações de múltiplas vistas seguida por reconstrução, o que introduz artefatos e limita a praticidade. Para enfrentar esses desafios, propomos o Nano3D, um framework livre de treinamento para edição precisa e coerente de objetos 3D sem máscaras. O Nano3D integra o FlowEdit ao TRELLIS para realizar edições localizadas guiadas por renderizações de vista frontal e ainda introduz estratégias de mesclagem conscientes da região, Voxel/Slat-Merge, que preservam adaptativamente a fidelidade estrutural ao garantir consistência entre áreas editadas e não editadas. Experimentos demonstram que o Nano3D alcança consistência 3D e qualidade visual superiores em comparação com métodos existentes. Com base nesse framework, construímos o primeiro conjunto de dados em larga escala para edição 3D, o Nano3D-Edit-100k, que contém mais de 100.000 pares de edição 3D de alta qualidade. Este trabalho aborda desafios de longa data tanto no design de algoritmos quanto na disponibilidade de dados, melhorando significativamente a generalidade e confiabilidade da edição 3D e estabelecendo as bases para o desenvolvimento de modelos de edição 3D de alimentação direta. Página do Projeto: 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: Uma Abordagem Livre de Treinamento para Edição Eficiente de 3D Sem Máscaras

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

Resumo

Support