Inserção Direta de Objetos com Consciência 3D via Proxies Visuais Decompostos

Resumo

A inserção de objetos visa compor de forma contínua um objeto de referência em uma região especificada de uma imagem de fundo. Métodos recentes baseados em difusão alcançam alta qualidade visual, mas formulam a inserção como uma simples tarefa de inpaintig 2D, não fornecendo controle explícito sobre a pose 3D do objeto, limitando sua aplicabilidade prática. Propomos DIRECT (Injeção Decomposta para Composição de Referência e Integração ao Alvo), uma nova estrutura que integra manipulação interativa de pose com síntese de imagens 2D de alta fidelidade para permitir a inserção de objetos com controle de pose. Nosso método decompõe as condições de inserção em três componentes complementares: orientação de aparência, capturando detalhes visuais do objeto de referência; orientação de geometria, derivada do proxy 3D ajustado pelo usuário; e orientação de contexto, proveniente do fundo alvo. Ao injetá-los por meio de caminhos separados, o DIRECT evita o emaranhamento de características e simultaneamente preserva a aparência de referência, segue a pose especificada pelo usuário e adapta o objeto à cena alvo. Também introduzimos um pipeline automatizado de construção de dados para melhorar a diversidade e qualidade dos dados de treinamento. Experimentos mostram que o DIRECT supera métodos anteriores tanto em controlabilidade geométrica quanto em qualidade visual.

English

Object insertion aims to seamlessly composite a reference object into a specified region of a background image. Recent diffusion-based methods achieve high visual quality but formulate insertion as a simple 2D inpainting task, providing no explicit control over the object's 3D pose and limiting their practical applicability. We propose DIRECT (Decomposed Injection for Reference Composition and Target-integration), a novel framework that integrates interactive pose manipulation with high-fidelity 2D image synthesis to enable pose-controllable object insertion. Our method decomposes the insertion conditions into three complementary components: appearance guidance capturing visual details from the reference object, geometry guidance derived from the user-adjusted 3D proxy, and context guidance from the target background. By injecting them through separate pathways, DIRECT avoids feature entanglement and simultaneously preserves reference appearance, follows the user-specified pose, and adapts the object to the target scene. We also introduce an automated data construction pipeline to improve the diversity and quality of training data. Experiments show that DIRECT outperforms previous methods in both geometric controllability and visual quality.