Fugu-MT 論文翻訳(概要): NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code

論文の概要: NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code

arxiv url: http://arxiv.org/abs/2603.00805v1
Date: Sat, 28 Feb 2026 20:57:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.367522
Title: NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code
Title（参考訳）: NERFIFY:NeRFペーパーをコードに変換するマルチエージェントフレームワーク
Authors: Seemandhar Jain, Keshav Gupta, Kunal Gupta, Manmohan Chandraker,
Abstract要約: 我々はNeRF研究論文をトレーニング可能なNerfstudioプラグインに確実に変換するフレームワークであるNERFIFYを紹介する。コード、データ、実装が公開される。
参考スコア（独自算出の注目度）: 49.610331036334316
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The proliferation of neural radiance field (NeRF) research requires significant efforts to reimplement papers before building upon them. We introduce NERFIFY, a multi-agent framework that reliably converts NeRF research papers into trainable Nerfstudio plugins, in contrast to generic paper-to-code methods and frontier models like GPT-5 that usually fail to produce runnable code. NERFIFY achieves domain-specific executability through six key innovations: (1) Context-free grammar (CFG): LLM synthesis is constrained by Nerfstudio formalized as a CFG, ensuring generated code satisfies architectural invariants. (2) Graph-of-Thought code synthesis: Specialized multi-file-agents generate repositories in topological dependency order, validating contracts and errors at each node. (3) Compositional citation recovery: Agents automatically retrieve and integrate components (samplers, encoders, proposal networks) from citation graphs of references. (4) Visual feedback: Artifacts are diagnosed through PSNR-minima ROI analysis, cross-view geometric validation, and VLM-guided patching to iteratively improve quality. (5) Knowledge enhancement: Beyond reproduction, methods can be improved with novel optimizations. (6) Benchmarking: An evaluation framework is designed for NeRF paper-to-code synthesis across 30 diverse papers. On papers without public implementations, NERFIFY achieves visual quality matching expert human code (+/-0.5 dB PSNR, +/-0.2 SSIM) while reducing implementation time from weeks to minutes. NERFIFY demonstrates that a domain-aware design enables code translation for complex vision papers, potentiating accelerated and democratized reproducible research. Code, data and implementations will be publicly released.
Abstract（参考訳）: 神経放射野(NeRF)研究の進展は、それらの上に構築する前に論文を再実装するためにかなりの努力を必要とする。我々は,NeRF研究論文をトレーニング可能なNerfstudioプラグインに確実に変換するマルチエージェントフレームワークNERFIFYを紹介した。 1) 文脈自由文法(CFG): LLM合成は、CFGとして形式化されたNerfstudioによって制約され、生成されたコードがアーキテクチャ不変量を満たすことを保証する。 2)Graph-of-Thoughtコード合成: 特殊化されたマルチファイルエージェントは、トポロジ的な依存関係順序でリポジトリを生成し、各ノードでのコントラクトとエラーを検証する。 (3) 構成的引用回復: エージェントは参照の引用グラフからコンポーネント(サンプル、エンコーダ、提案ネットワーク)を自動的に検索し、統合する。 (4)視覚フィードバック: アーチファクトはPSNR-minima ROI分析, クロスビュー幾何的検証, VLM-guided patching によって診断され, 品質を反復的に改善する。 (5)知識の強化: 再現を超えて、新しい最適化によってメソッドを改善することができる。 (6)ベンチマーク: 30の異なる論文を対象としたNeRFペーパー・コード合成のための評価フレームワーク。公開実装のない論文では、NERFIFYは視覚的品質マッチングの専門家である人間のコード(+/-0.5 dB PSNR, +/-0.2 SSIM)を達成し、実装時間を数週間から数分に短縮する。 NERFIFYは、複雑な視覚論文のコード翻訳を可能にし、加速され、民主化された再現可能な研究を促進することを実証している。コード、データ、実装が公開される。

関連論文リスト

RECODE-H: A Benchmark for Research Code Development with Interactive Human Feedback [87.97664892075811]
研究論文やリポジトリからの102タスクのベンチマークであるRECODE-Hを提案する。構造化された命令、単体テスト、現実的な研究者とエージェントのコラボレーションを反映する5段階のフィードバック階層が含まれる。フィードバックを反復的なコード生成に統合するフレームワークであるReCodeAgentも紹介します。
論文参考訳（メタデータ） (2025-10-07T17:45:35Z)
LOGOS: LLM-driven End-to-End Grounded Theory Development and Schema Induction for Qualitative Research [9.819685510441902]
グラウンドド理論は質的なデータから深い洞察を提供するが、専門家が集中する手動コーディングに依存しているため、大きなスケーラビリティのボトルネックが生じる。基礎理論ワークフローを完全に自動化する新しいエンドツーエンドフレームワークであるLOGOSを紹介する。 LOGOSはLLM駆動のコーディング、セマンティッククラスタリング、グラフ推論、そして再利用可能なコードブックを構築するための新しい反復的洗練プロセスを統合している。
論文参考訳（メタデータ） (2025-09-29T05:16:09Z)
Reflective Paper-to-Code Reproduction Enabled by Fine-Grained Verification [46.845133190560375]
複雑なコードを効率的にデバッグするために、人間が体系的なチェックリストを使う方法に触発されて、textbfReflective Paper-to-Code textbfReproductionフレームワークである textbfReProを提案する。紙の指紋を自動的に抽出し、高品質な監視信号として機能する、正確で原子的な基準の包括的なセットを参照する。ベースラインよりも13.0%のパフォーマンスギャップを達成し、反射の複雑な論理的および数学的基準を正しく修正する。
論文参考訳（メタデータ） (2025-08-21T06:57:44Z)
Open-Source Agentic Hybrid RAG Framework for Scientific Literature Review [2.092154729589438]
本稿では,ハイブリッドRAGパイプラインを自律エージェント内にカプセル化するエージェントアプローチを提案する。当社のパイプラインでは,PubMedやarXiv,Google Scholar APIから,バイオロジカルなオープンアクセスデータを収集しています。 Llama-3.3-70B エージェントが GraphRAG (クエリを Cypher for KG に変換する) または VectorRAG (スパースと高密度検索を組み合わせて再ランク付けする) を選択する
論文参考訳（メタデータ） (2025-07-30T18:54:15Z)
Towards A Generalist Code Embedding Model Based On Massive Data Synthesis [35.04242699869519]
汎用コード検索のための最先端の埋め込みモデルである textbfCodeR (underlineCode underlineRetrieval) を導入する。 CodeRの優れたパフォーマンスは、DRU原則に基づいて構築された大規模な合成データセットであるCodeR-Pile上に構築されている。
論文参考訳（メタデータ） (2025-05-19T04:37:53Z)
Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文参考訳（メタデータ） (2025-04-24T01:57:01Z)
Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF) 我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-07T17:32:21Z)
SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [136.15885067858298]
本研究では、空間的に一貫した幾何フィルタリング機構と周波数誘導幾何正規化戦略により強化された特徴マッチングに基づくスパース幾何正規化モジュールを提案する。実験により, SGCNeRFは, LLFFおよびDTUにおけるPSNRの0.7dBの改善により, 優れた幾何整合性を実現し, かつFreeNeRFを超えていることが示された。
論文参考訳（メタデータ） (2024-04-01T08:37:57Z)
CombiNeRF: A Combination of Regularization Techniques for Few-Shot Neural Radiance Field View Synthesis [1.374796982212312]
ニューラル・ラジアンス・フィールド(NeRF)は、十分に多くのビューが利用可能である場合に、新しいビュー合成のための印象的な結果を示す。本稿では,複数の正規化手法を相乗的に組み合わせたCombiNeRFを提案する。 CombiNeRFは、いくつかの公開データセットにおいて、数ショット設定で最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-03-21T13:59:00Z)
KG-FiD: Infusing Knowledge Graph in Fusion-in-Decoder for Open-Domain Question Answering [68.00631278030627]
検索した通路間の構造的関係を知識グラフで利用することにより,ノイズのある通路をフィルタする新しい手法KG-FiDを提案する。我々は,KG-FiDが解答一致スコアの最大1.5%向上し,計算コストの40%程度でFiDに匹敵する性能が得られることを示した。
論文参考訳（メタデータ） (2021-10-08T18:39:59Z)
On fine-tuning of Autoencoders for Fuzzy rule classifiers [6.80011340736829]
本稿では、ファジィルール分類器(FRC)にオートエンコーダを組み込む新しい手法を提案する。積み重ねられたオートエンコーダは、データ間の複雑な非線形関係を学習し、FRCのために構築されたフレームワークにより、システムに専門家の知識を入力することができる。さらに,FRCの分類とルール削減性能を改善するために,オートエンコーダの4つの新しい微調整手法を提案する。
論文参考訳（メタデータ） (2021-06-21T15:20:37Z)

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。