論文の概要: Articraft: An Agentic System for Scalable Articulated 3D Asset Generation

• arxiv url: http://arxiv.org/abs/2605.15187v1
• Date: Thu, 14 May 2026 17:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:35.015179
• Title: Articraft: An Agentic System for Scalable Articulated 3D Asset Generation
• Title（参考訳）: Articraft: スケーラブルなArticulated 3Dアセット生成のためのエージェントシステム
• Authors: Matt Zhou, Ruining Li, Xiaoyang Lyu, Zhaomou Song, Zhening Huang, Chuanxia Zheng, Christian Rupprecht, Andrea Vedaldi, Shangzhe Wu,
• Abstract要約: 明瞭な3Dオブジェクトを理解するための学習のボトルネックは、大規模で多様なデータセットの欠如である。 我々は,大規模言語モデル(LLM)を活用して,大規模に音響資産を生成することを提案する。 そして、このようなプログラムを自動で作成する新しいエージェントシステムArticraftを導入する。
• 参考スコア（独自算出の注目度）: 79.1741181153232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A bottleneck in learning to understand articulated 3D objects is the lack of large and diverse datasets. In this paper, we propose to leverage large language models (LLMs) to close this gap and generate articulated assets at scale. We reduce the problem of generating an articulated 3D asset to that of writing a program that builds it. We then introduce a new agentic system, Articraft, that writes such programs automatically. We design a programmatic interface and harness to help the LLM do so effectively. The LLM writes code against a domain-specific SDK for defining parts, composing geometry, specifying joints, and writing tests to validate the resulting assets. The harness exposes a restricted workspace and interface to the LLM, validates the resulting assets, and returns structured feedback. In this way, the LLM is not distracted by details such as authoring a URDF file or managing a complex software environment. We show that this produces higher-quality assets than both state-of-the-art articulated-asset generators and general-purpose coding agents. Using Articraft, we build Articraft-10K, a curated dataset of over 10K articulated assets spanning 245 categories, and show its utility both for training models of articulated assets and in downstream applications such as robotics simulation and virtual reality.
• Abstract（参考訳）: 明瞭な3Dオブジェクトを理解するための学習のボトルネックは、大規模で多様なデータセットの欠如である。 本稿では,このギャップを埋めるために大規模言語モデル (LLM) を活用することを提案する。 我々は, 音声による3Dアセット生成の問題点を, 構築するプログラムの記述の問題に還元する。 そして、このようなプログラムを自動で作成する新しいエージェントシステムArticraftを導入する。 LLMを効果的に活用するために,プログラムインタフェースとハーネスを設計する。 LLMは、部品の定義、幾何学の構成、関節の指定、そして結果のアセットを検証するテストを書くために、ドメイン固有のSDKに対してコードを書く。 ハーネスは制限されたワークスペースとインターフェースをLLMに公開し、その結果のアセットを検証し、構造化されたフィードバックを返す。 このようにして、LLMはURDFファイルの作成や複雑なソフトウェア環境の管理といった細部によって邪魔されることはない。 提案手法は,最先端の音声生成装置や汎用符号化エージェントよりも高品質な資産を生み出すことを示す。 Articraft-10Kは、245のカテゴリーにまたがる10K以上の調音資産のキュレートされたデータセットであり、調音資産のトレーニングモデルと、ロボットシミュレーションやバーチャルリアリティーなどの下流アプリケーションの両方に有用であることを示す。

関連論文リスト

• VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement [66.13644883379087]
  MLLMを用いた3次元オブジェクト配置における3つの課題に対処する。 まず、MLLMの弱い視覚的基盤に対処するために、MPPベースのAPIを導入する。 第2に、MLLMの3Dシーン理解を、特殊な視覚ツール群で強化する。 第3に,反復的かつエラーを起こしやすい更新を管理するために,協調的なマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-26T19:22:39Z)
• ShapeCraft: LLM Agents for Structured, Textured and Interactive 3D Modeling [45.20958044544727]
  ShapeCraftはテキストから3D生成のための新しいマルチエージェントフレームワークである。 ShapeCraftは複雑な自然言語をサブタスクの構造化グラフに分解する。 エージェントはユーザの入力をGPSに解析し、手続き的モデリングと絵を反復的に洗練して3Dアセットを生成する。
  論文  参考訳（メタデータ） (2025-10-20T14:51:14Z)
• Agentic 3D Scene Generation with Spatially Contextualized VLMs [67.31920821192323]
  本稿では,複雑な3D環境の生成,理解,編集を可能にする新しいパラダイムを提案する。 我々は,VLMが空間コンテキストから反復的に読み取って更新するエージェント型3Dシーン生成パイプラインを開発した。 その結果,我々のフレームワークは多様かつ困難な入力を処理でき,事前の作業では観測できないような一般化のレベルを達成することができることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T15:28:17Z)
• Articulate-Anything: Automatic Modeling of Articulated Objects via a Vision-Language Foundation Model [35.184607650708784]
  Articulate-Anythingは、テキスト、画像、ビデオを含む多くの入力モダリティから、多種多様な複雑なオブジェクトの明瞭化を自動化する。 本システムでは,メッシュ検索機構を通じて既存の3Dデータセットを,反復的に提案,評価,洗練を行うアクタ・クリティカル・システムとともに活用する。
  論文  参考訳（メタデータ） (2024-10-03T19:42:16Z)
• AutoDecoding Latent 3D Diffusion Models [95.7279510847827]
  本稿では,3次元オートデコーダをコアとした静的・明瞭な3次元アセットの生成に対して,新しいアプローチを提案する。 3D Autodecoderフレームワークは、ターゲットデータセットから学んだプロパティを潜時空間に埋め込む。 次に、適切な中間体積潜在空間を特定し、ロバストな正規化と非正規化演算を導入する。
  論文  参考訳（メタデータ） (2023-07-07T17:59:14Z)

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。