Прямая 3D-осведомлённая вставка объектов посредством декомпозированных визуальных прокси

Аннотация

Внедрение объектов направлено на бесшовное композитирование эталонного объекта в заданную область фонового изображения. Современные методы, основанные на диффузионных моделях, достигают высокого визуального качества, но формулируют внедрение как простую задачу 2D-инпейнтинга, не обеспечивая явного контроля над 3D-позой объекта, что ограничивает их практическую применимость. Мы предлагаем DIRECT (Decomposed Injection for Reference Composition and Target-integration) — новую структуру, которая объединяет интерактивное манипулирование позой с высококачественным 2D-синтезом изображений, обеспечивая контролируемое по позе внедрение объекта. Наш метод разлагает условия внедрения на три взаимодополняющих компонента: направляющая внешнего вида, захватывающая визуальные детали эталонного объекта; направляющая геометрии, полученная из скорректированного пользователем 3D-прокси; и направляющая контекста из целевого фона. Внедряя их через отдельные пути, DIRECT избегает переплетения признаков и одновременно сохраняет внешний вид эталонного объекта, следует заданной пользователем позе и адаптирует объект к целевой сцене. Мы также вводим автоматизированный конвейер создания данных для улучшения разнообразия и качества обучающих данных. Эксперименты показывают, что DIRECT превосходит предыдущие методы как в геометрической управляемости, так и в визуальном качестве.

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.