論文の概要: Function2Scene: 3D Indoor Scene Layout from Functional Specifications

• arxiv url: http://arxiv.org/abs/2605.30819v1
• Date: Fri, 29 May 2026 04:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.382106
• Title: Function2Scene: 3D Indoor Scene Layout from Functional Specifications
• Title（参考訳）: Function2Scene: 機能仕様からの3D屋内シーンレイアウト
• Abstract要約: テキスト駆動の屋内シーン合成手法の多くは、オブジェクト中心のプロンプトから部屋を生成する。 機能仕様から3次元屋内レイアウトを生成するフレームワークであるFunction2Sceneを紹介する。 我々の研究は、テキストによる屋内シーンの合成を、可愛らしい物体を配置することから、人間の使用を支援する空間を設計することへと再構成した。
• 参考スコア（独自算出の注目度）: 43.945486645265326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most text-driven 3D indoor scene synthesis methods generate rooms from object-centric prompts, asking what furniture should be placed rather than how the space is used. Yet in real interior design, a layout is judged by how well it supports its occupants, e.g., their activities and physical needs. We introduce Function2Scene, a framework for generating 3D indoor layouts from functional specifications, i.e., natural-language design briefs describing who will use a room and what they need to do there. Given such a specification, our system parses occupant personas and activities, derives a customized set of functional design constraints from a taxonomy of 17 criteria spanning spatial, ergonomic, activity, and environmental considerations, and uses these constraints to guide layout generation. Rather than relying on an LLM to directly produce a final scene, Function2Scene performs iterative evaluation and refinement through a tool-augmented check-and-repair loop, combining geometric measurements, LLM-based contextual reasoning, and VLM-based visual assessment. Experiments on 30 professionally written interior-design cases show that Function2Scene produces layouts that better satisfy functional requirements than recent LLM-based scene synthesis baselines, with our results preferred in 94.3% of pairwise comparisons. Our work reframes text-driven indoor scene synthesis from placing plausible objects to designing spaces that support human use.
• Abstract（参考訳）: テキスト駆動の屋内シーン合成手法の多くは、オブジェクト中心のプロンプトから部屋を生成し、空間の使い方よりも家具を置くべきかを問う。 しかし、実際のインテリアデザインでは、レイアウトは、その占有者、例えば、彼らの活動と身体的ニーズをいかにうまくサポートしているかによって判断される。 機能仕様から3D屋内レイアウトを生成するフレームワークであるFunction2Sceneを紹介します。 このような仕様を前提として,本システムでは,空間,エルゴノミクス,活動,環境を考慮した17項目の分類基準から機能設計制約をカスタマイズし,それらの制約をレイアウト生成のガイドとして利用する。 最終シーンを直接生成するためにLLMに頼るのではなく、Function2Sceneはツール拡張されたチェック・アンド・リペアループを通じて反復的な評価と改善を行い、幾何学的計測、LLMベースのコンテキスト推論、VLMベースの視覚的評価を組み合わせる。 30のプロフェッショナルなインテリアデザインケースの実験では、Function2Sceneは最近のLCMベースのシーン合成ベースラインよりも機能要件を満足するレイアウトを生成しており、この結果が94.3%のペア比較で好まれている。 我々の研究は、テキストによる屋内シーンの合成を、可愛らしい物体を配置することから、人間の使用を支援する空間を設計することへと再構成した。

関連論文リスト

• DisCo-Layout: Disentangling and Coordinating Semantic and Physical Refinement in a Multi-Agent Framework for 3D Indoor Layout Synthesis [76.7196710324494]
  3次元屋内レイアウト合成は仮想環境構築に不可欠である。 DisCoは、物理的および意味的な洗練を歪め、調整する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T16:30:37Z)
• FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
  FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。 このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
  論文  参考訳（メタデータ） (2025-07-10T11:16:48Z)
• OptiScene: LLM-driven Indoor Scene Layout Generation via Scaled Human-aligned Data Synthesis and Multi-Stage Preference Optimization [54.60030826635478]
  既存の屋内レイアウト生成手法は、プロンプト駆動と学習に基づく2つのカテゴリに分類される。 本稿では,大規模データセットである3D-SynthPlaceについて紹介する。 屋内レイアウト生成に最適化された強力なオープンソースLLMであるOptiSceneを紹介する。
  論文  参考訳（メタデータ） (2025-06-09T09:13:06Z)
• ReSpace: Text-Driven 3D Indoor Scene Synthesis and Editing with Preference Alignment [8.954070942391603]
  ReSpaceはテキスト駆動型屋内シーン合成と編集のための生成フレームワークである。 教師付き微調整と選好アライメントを組み合わせた二段階学習手法を応用した。 シーン編集にはゼロショットLLMを用いてオブジェクトの削除と追加のプロンプトを行う。
  論文  参考訳（メタデータ） (2025-06-03T05:22:04Z)
• Hierarchically-Structured Open-Vocabulary Indoor Scene Synthesis with Pre-trained Large Language Model [14.70850176122733]
  本稿では,大規模言語モデル(LLM)を用いて階層的に構造化されたシーン記述を生成し,シーンレイアウトを計算することを提案する。 具体的には、オブジェクト間の微粒な相対位置を推測するために階層型ネットワークを訓練する。 また,オープン語彙のシーン合成とインタラクティブなシーンデザインの結果を,アプリケーションにおけるアプローチの強みを示すために提示する。
  論文  参考訳（メタデータ） (2025-02-15T05:04:14Z)
• FlairGPT: Repurposing LLMs for Interior Designs [29.903931425159925]
  大規模言語モデル (LLM) が内部設計に直接活用できるかどうかを検討する。 LLMを体系的に探索することにより、関連する制約とともにオブジェクトのリストを確実に生成できる。 この情報を設計レイアウトグラフに変換し、オフザシェルフ制約最適化設定を用いて解決する。
  論文  参考訳（メタデータ） (2025-01-08T18:01:49Z)
• LLplace: The 3D Indoor Scene Layout Generation and Editing via Large Language Model [58.24851949945434]
  LLplace は軽量な微調整のオープンソース LLM Llama3 に基づく新しい3D屋内シーンレイアウトデザイナである。 LLplaceは、空間的関係の先行とコンテキスト内例の必要性を回避し、効率的で信頼性の高い部屋レイアウト生成を可能にする。 提案手法は,高品質な3D設計ソリューションを実現する上で,LLplaceがインタラクティブに3D屋内レイアウトを効果的に生成・編集できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T08:53:01Z)
• I-Design: Personalized LLM Interior Designer [57.00412237555167]
  I-Designはパーソナライズされたインテリアデザイナで、自然言語によるコミュニケーションを通じて設計目標の生成と視覚化を可能にする。 I-Designは、対話や論理的推論に従事する大きな言語モデルエージェントのチームから始まる。 最終的な設計は、既存のオブジェクトデータベースから資産を取り出し、統合することで、3Dで構築されます。
  論文  参考訳（メタデータ） (2024-04-03T16:17:53Z)

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。