論文の概要: FloraForge: LLM-Assisted Procedural Generation of Editable and Analysis-Ready 3D Plant Geometric Models For Agricultural Applications

• arxiv url: http://arxiv.org/abs/2512.11925v1
• Date: Thu, 11 Dec 2025 23:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.026497
• Title: FloraForge: LLM-Assisted Procedural Generation of Editable and Analysis-Ready 3D Plant Geometric Models For Agricultural Applications
• Title（参考訳）: FloraForge: LLMによる農業用3次元植物幾何学モデルの作成
• Authors: Mozhgan Hadadi, Talukder Z. Jubery, Patrick S. Schnable, Arti Singh, Bedrich Benes, Adarsh Krishnamurthy, Baskar Ganapathysubramanian,
• Abstract要約: ドメインエキスパートが生物学的に正確でパラメトリックな3D植物モデルを作成できるLLM支援フレームワークであるFloraForgeについて紹介する。 我々のフレームワークは、LLM対応の共設計を利用して、パラメータ化された植物を階層的なB-スプライン表面表現として生成するPythonスクリプトを洗練する。 本研究では, トウモロコシ, 大豆, ムン豆について, 実証点クラウドデータに手続きモデルを適用した枠組みを実証する。
• 参考スコア（独自算出の注目度）: 13.923496304391044
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate 3D plant models are crucial for computational phenotyping and physics-based simulation; however, current approaches face significant limitations. Learning-based reconstruction methods require extensive species-specific training data and lack editability. Procedural modeling offers parametric control but demands specialized expertise in geometric modeling and an in-depth understanding of complex procedural rules, making it inaccessible to domain scientists. We present FloraForge, an LLM-assisted framework that enables domain experts to generate biologically accurate, fully parametric 3D plant models through iterative natural language Plant Refinements (PR), minimizing programming expertise. Our framework leverages LLM-enabled co-design to refine Python scripts that generate parameterized plant geometries as hierarchical B-spline surface representations with botanical constraints with explicit control points and parametric deformation functions. This representation can be easily tessellated into polygonal meshes with arbitrary precision, ensuring compatibility with functional structural plant analysis workflows such as light simulation, computational fluid dynamics, and finite element analysis. We demonstrate the framework on maize, soybean, and mung bean, fitting procedural models to empirical point cloud data through manual refinement of the Plant Descriptor (PD), human-readable files. The pipeline generates dual outputs: triangular meshes for visualization and triangular meshes with additional parametric metadata for quantitative analysis. This approach uniquely combines LLM-assisted template creation, mathematically continuous representations enabling both phenotyping and rendering, and direct parametric control through PD. The framework democratizes sophisticated geometric modeling for plant science while maintaining mathematical rigor.
• Abstract（参考訳）: 正確な3Dプラントモデルは、計算表現型と物理に基づくシミュレーションに不可欠であるが、現在のアプローチは重大な制限に直面している。 学習に基づく再構築手法は、広範囲な種別訓練データを必要とし、編集性に欠ける。 手続き的モデリングはパラメトリック制御を提供するが、幾何学的モデリングの専門知識と複雑な手続き的ルールの深い理解を必要とするため、ドメイン科学者にはアクセスできない。 本稿では,LLM支援フレームワークであるFloraForgeについて紹介する。このフレームワークにより,プログラムの専門知識を最小化しながら,反復的自然言語による生物的正確でパラメトリックな3Dプラントモデルの生成が可能となる。 我々のフレームワークは, LLM対応の共同設計を利用して, パラメータ化された植物地形を生成するPythonスクリプトを, 明示的な制御点とパラメトリック変形関数を持つ植物制約付き階層的B-スプライン表面表現として改良する。 この表現は任意の精度で容易に多角形メッシュに詰め込むことができ、光シミュレーション、計算流体力学、有限要素解析などの機能的構造解析ワークフローとの整合性を確保することができる。 植物記述子(PD)を手作業で手作業で改良し, 実証的なクラウドデータにプロシージャモデルを適用することで, トウモロコシ, 大豆, ムン豆の枠組みを実証する。 パイプラインは、可視化のための三角形メッシュと、定量分析のためのパラメトリックメタデータを追加して、二重出力を生成する。 このアプローチは、LDMによるテンプレート作成、表現型とレンダリングの両方を可能にする数学的に連続的な表現、PDによる直接パラメトリック制御を独自に組み合わせている。 このフレームワークは、数学的厳密さを維持しながら、植物科学のための洗練された幾何学的モデリングを民主化する。

関連論文リスト

• Demeter: A Parametric Model of Crop Plant Morphology from the Real World [34.57672800976057]
  本稿では,植物形態学の重要な要素を符号化したデータ駆動パラメトリックモデルDemeterを提案する。 実験により、デメータは形を効果的に合成し、構造を再構築し、生体物理過程をシミュレートすることが示された。
  論文  参考訳（メタデータ） (2025-10-18T07:14:40Z)
• TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
  本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。 TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。 TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T16:20:23Z)
• Learning to Infer Parameterized Representations of Plants from 3D Scans [2.6774002558989705]
  我々はL-systemsベースの手続きモデルを用いて仮想植物でニューラルネットワークを訓練する。 トレーニング後、このネットワークは入力された3Dポイントクラウドに基づいてパラメトリックツリーのような表現を推論することができる。 ケノポジウム・アルバム植物に対する我々のアプローチを,合成植物実験を用いて評価し,我々の統合されたフレームワークが様々なタスクを担っていることを示す。
  論文  参考訳（メタデータ） (2025-05-28T13:23:48Z)
• Procedural Generation of 3D Maize Plant Architecture from LIDAR Data [16.458252508124794]
  本研究では,LiDAR点クラウドデータからトウモロコシ(Zea mays)植物の3Dプロシージャモデルを生成するための堅牢なフレームワークを提案する。 本フレームワークは非一様合理的B-スプライン(NURBS)表面を利用してトウモロコシの葉をモデル化する。
  論文  参考訳（メタデータ） (2025-01-21T22:53:09Z)
• CropCraft: Inverse Procedural Modeling for 3D Reconstruction of Crop Plants [16.558411700996746]
  逆手続きモデルによる植物形態のモデル最適化に基づく農作物の3次元再構築手法を提案する。 本手法を農業現場の実画像のデータセット上で検証し, 様々なモニタリング・シミュレーションに応用できることを実証する。
  論文  参考訳（メタデータ） (2024-11-14T18:58:02Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
  本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。 後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。 我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-25T14:27:49Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。