論文の概要: ProcFunc: Function-Oriented Abstractions for Procedural 3D Generation in Python
- arxiv url: http://arxiv.org/abs/2604.26943v1
- Date: Wed, 29 Apr 2026 17:52:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.533193
- Title: ProcFunc: Function-Oriented Abstractions for Procedural 3D Generation in Python
- Title（参考訳）: ProcFunc: Pythonの手続き型3D生成のための関数指向抽象化
- Authors: Alexander Raistrick, Karhan Kayan, Jack Nugent, David Yan, Lingjie Mei, Meenal Parakh, Hongyu Wen, Dylan Li, Yiming Zuo, Erich Liang, Jia Deng,
- Abstract要約: ProcFuncは、PythonでBlenderベースの手続き型3D生成のためのライブラリである。
これにより、セマンティックコンポーネントの合成によって、大規模な多様なトレーニングデータを簡単に作成できる。
- 参考スコア（独自算出の注目度）: 47.65888588623617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce ProcFunc, a library for Blender-based procedural 3D generation in Python. ProcFunc provides a library of easy-to-use Python functions, which streamline creating, combining, analyzing, and executing procedural generation code. ProcFunc makes it easy to create large-scale diverse training data, by combinatorial compositions of semantic components. VLMs can use ProcFunc to edit procedural material and geometry code and can create new procedural code with significantly fewer coding errors. Finally, as an example use case, we use ProcFunc to develop a new procedural generator of indoor rooms, which includes a collection of new compositional procedural materials. We demonstrate the detail, runtime efficiency, and diversity of this room generator, as well as its use for 3D synthetic data generation. Please visit https://github.com/princeton-vl/procfunc for source code.
- Abstract（参考訳）: 我々はPythonでBlenderベースのプロシージャ3D生成のためのライブラリであるProcFuncを紹介する。
ProcFuncは簡単に使えるPython関数のライブラリを提供しており、手続き生成コードの作成、合成、分析、実行を合理化している。
ProcFuncは、セマンティックコンポーネントの組合せ合成によって、大規模な多様なトレーニングデータを簡単に作成できる。
VLMはProcFuncを使って手続き的な材料や幾何学的なコードを編集し、コーディングエラーが大幅に少ない新しい手続き的なコードを作成することができる。
最後に,ProcFuncを用いて室内室の新規プロシージャジェネレータを開発し,新しい構成プロシージャ材料を収集する。
我々は,このルームジェネレータの詳細,実行効率,多様性,および3D合成データ生成への応用を実証する。
ソースコードについてはhttps://github.com/princeton-vl/procfuncを参照してください。
関連論文リスト
- Python Bindings for a Large C++ Robotics Library: The Case of OMPL [12.900006436558405]
Pythonバインディングは、高性能なC++ライブラリとPythonの柔軟性の間の重要な橋渡しである。
大きなものへのバインディングを生成するのは 面倒なプロセスです 少数のメンテナに 重荷を負わせます
本研究では,Large Language Models (LLMs) を用いてナノボンドラッパーの生成を支援する。
論文 参考訳（メタデータ） (2026-03-04T23:18:10Z) - MeshCoder: LLM-Powered Structured Mesh Code Generation from Point Clouds [50.98900790623827]
MeshCoderは、ポイントクラウドから編集可能なBlender Pythonスクリプトに複雑な3Dオブジェクトを再構築する新しいフレームワークである。
我々は、3Dポイントクラウドを実行可能なBlender Pythonスクリプトに変換するマルチモーダルな大規模言語モデル(LLM)を訓練する。
本手法は形状と符号の再構成作業において優れた性能を実現し,直感的な幾何学的および位相的編集を容易にする。
論文 参考訳（メタデータ） (2025-08-20T17:50:15Z) - LL3M: Large Language 3D Modelers [18.23329430829059]
LL3Mは,解釈可能なPythonコードをBlenderで記述することで3Dアセットを生成するシステムである。
形状生成をコード記述タスクとして再構成し,モジュール性,編集性,アーティストBlenderとの連携を実現する。
本実験では,3次元アセット生成のための生成的・解釈可能な媒体としてのコードの有用性を示す。
論文 参考訳（メタデータ） (2025-08-11T17:48:02Z) - EpiCoder: Encompassing Diversity and Complexity in Code Generation [66.43738008739555]
既存のコード生成方法はシードデータとしてコードスニペットを使用する。
階層的なコード機能を中心に展開する,新しい機能ツリーベースの合成フレームワークを提案する。
我々のフレームワークは、生成されたコードの複雑さを正確に制御し、関数レベルの操作からマルチファイルのシナリオまで幅広い機能を実現する。
論文 参考訳（メタデータ） (2025-01-08T18:58:15Z) - Automatic Generation of Python Programs Using Context-Free Grammars [0.1227734309612871]
TinyPy Generatorは、文脈自由文法を使ってランダムなPythonプログラムを生成するツールである。
私たちのシステムは、さまざまなレベルの複雑さを持つコードを生成するために、カスタムプロダクションルールを使用します。
TinyPy Generatorは機械学習の分野で有用であり、Python言語モデルをトレーニングするための大量のPythonコードを生成することができる。
論文 参考訳（メタデータ） (2024-03-11T08:25:52Z) - Executable Code Actions Elicit Better LLM Agents [76.95566120678787]
この研究は、Pythonコードを使用して、Large Language Model(LLM)エージェントのアクションを統一されたアクション空間(CodeAct)に統合することを提案する。
Pythonインタプリタと統合されたCodeActは、コードアクションを実行し、事前アクションを動的に修正したり、マルチターンインタラクションを通じて新しい観察に新しいアクションを発行することができる。
CodeActのパフォーマンス向上は、解釈可能なコードを実行し、自然言語を使ってユーザとコラボレーションすることで、環境と対話するオープンソースのLLMエージェントを構築する動機となります。
論文 参考訳（メタデータ） (2024-02-01T21:38:58Z) - An LLM Compiler for Parallel Function Calling [68.04566807806071]
我々は,複数の関数呼び出しを効率的にオーケストレーションするために並列に関数を実行するLLMCompilerを紹介する。
ReActと比較して、一貫したレイテンシの高速化が3.7倍、コストの削減が6.7倍、精度が9%向上している。
論文 参考訳（メタデータ） (2023-12-07T18:32:04Z)
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。