論文の概要: HomeWorld: A Unified Floorplan-to-Furnished Framework for Generating Controllable, Densely Interactive Whole-Home Scenes

• arxiv url: http://arxiv.org/abs/2606.06390v1
• Date: Thu, 04 Jun 2026 16:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.97813
• Title: HomeWorld: A Unified Floorplan-to-Furnished Framework for Generating Controllable, Densely Interactive Whole-Home Scenes
• Title（参考訳）: HomeWorld: コントロール可能な、巧妙にインタラクティブなホームシーンを生成するための一貫したフロアプラン・ツー・ファウナードフレームワーク
• Authors: Wenbo Li, Xiaoliang Ju, Zipeng Qin, Rongyao Fang, Hongsheng Li,
• Abstract要約: 室内シーン生成はロボットシミュレーションと近代インテリアデザインに不可欠である。 室内シーンの合成を制御可能なステージに分解する統合階層型フレームワークを提案する。 実験とユーザスタディにより、我々のパイプラインはよりレイアウトの多様性とより強力な3Dデザインの魅力を持つ屋内空間を生産していることが示された。
• 参考スコア（独自算出の注目度）: 36.81011113715663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor scene generation is crucial for robot simulation and modern interior design. However, complex layouts together with scarce 3D scene data make learning-based generation challenging. Existing methods often rely on hand-crafted rules or focus on isolated sub-tasks (e.g., floorplan synthesis or single-room furnishing), producing whole-home scenes that lack global coherence, realism, and simulation readiness. To mitigate these limitations, we propose a unified hierarchical framework that decomposes indoor scene synthesis into controllable stages. First, we curate a large-scale dataset of 300K real residential floorplans to train a large language model for whole-home floorplan generation. With detailed descriptions and a K-D tree-based representation, our method enables fine-grained, controllable whole-home floorplan generation. Building upon the generated whole-home floorplan, we leverage image generation models to draft furniture layouts from multi-level roaming viewpoints, and then generate the layouts of small manipulable objects on different supporting surfaces (e.g., cabinets, desks, and dining tables) for embodied AI simulation. During furniture and object layout generation, a VLM-based refiner iteratively corrects furniture and object placement, and a 3D generative model enables flexible replacement of individual assets. We further attach basic physical attributes and simple surface texture and lighting setups to complete the pipeline for embodied AI use. Experiments and user studies demonstrate that our pipeline produces indoor spaces with greater layout diversity and stronger 3D design appeal, outperforming prior methods on both quantitative and qualitative metrics. Finally, alongside our generation pipeline, we will release the floorplan dataset and 5K fully furnished scenes to the community. Project Page: https://kairos-homeworld.github.io/
• Abstract（参考訳）: 室内シーン生成はロボットシミュレーションと近代インテリアデザインに不可欠である。 しかし、3Dシーンデータが少ない複雑なレイアウトは、学習ベースの生成を困難にしている。 既存の方法は、しばしば手作りのルールに頼り、孤立したサブタスク(例えば、フロアプランの合成やシングルルームの家具)に集中し、世界的な一貫性、リアリズム、シミュレーションの準備ができていない家庭全体のシーンを生成する。 これらの制約を緩和するために,室内シーンの合成を制御可能なステージに分解する階層型フレームワークを提案する。 まず,大規模な実住宅フロアプランのデータセットを整理し,家庭全体のフロアプラン生成のための大規模言語モデルを訓練する。 詳細な記述とK-D木に基づく表現により, 細粒度で制御可能なホームフロアプラン生成が可能となる。 生成したホームフロアプランに基づいて、画像生成モデルを用いて、マルチレベルのローミング視点から家具レイアウトをドラフトし、異なる支持面(例えば、キャビネット、デスク、ダイニングテーブル)上の小さな操作可能なオブジェクトのレイアウトを生成し、AIシミュレーションを具体化する。 家具とオブジェクトレイアウト生成の間、VLMベースの精錬機は家具とオブジェクト配置を反復的に補正し、3D生成モデルは個々の資産を柔軟に置き換えることを可能にする。 さらに、基本的な物理的属性とシンプルな表面テクスチャと照明設定を付加して、AIを具体化するパイプラインを完成させる。 実験とユーザスタディにより、我々のパイプラインは、よりレイアウトの多様性とより強力な3Dデザインの魅力を持つ屋内空間を生産し、定量的および定性的メトリクスの両方において先行手法よりも優れた性能を発揮することが示された。 最後に、世代別パイプラインとともに、フロアプランデータセットと5Kのフル装備のシーンをコミュニティにリリースします。 Project Page: https://kairos-homeworld.github.io/

関連論文リスト

• TRELLISWorld: Training-Free World Generation from Object Generators [13.962895984556582]
  テキスト駆動の3Dシーン生成は、仮想プロトタイピングからAR/VR、シミュレーションまで、幅広いアプリケーションに対して約束されている。 既存のメソッドは、多くの場合、単一オブジェクトの生成、ドメイン固有のトレーニング、あるいは完全な360度ビュービリティのサポートの欠如に制約される。 汎用テキストから3Dオブジェクトへの拡散モデルをモジュラータイルジェネレータとして再利用することで,3次元シーン合成のトレーニング不要な手法を提案する。
  論文  参考訳（メタデータ） (2025-10-27T21:40:31Z)
• HLG: Comprehensive 3D Room Construction via Hierarchical Layout Generation [31.010614667725843]
  階層レイアウト生成(HLG)は,微細な3次元シーン生成のための新しい手法である。 HLGは、大規模な家具配置から複雑なオブジェクト配置まで、シーンレイアウトを精錬する、粗大できめ細かな階層的アプローチを採用した最初の企業である。 既存の手法と比較して,現実的な屋内シーンの生成において優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-25T09:32:57Z)
• RoomCraft: Controllable and Complete 3D Indoor Scene Generation [51.19602078504066]
  RoomCraftは、実際の画像、スケッチ、テキスト記述をコヒーレントな3D屋内シーンに変換するマルチステージパイプラインである。 このアプローチでは,シーン生成パイプラインと制約駆動最適化フレームワークを組み合わせる。 RoomCraftは、リアルでセマンティックなコヒーレントで視覚的に魅力的な部屋レイアウトを生成する上で、既存の方法よりもはるかに優れています。
  論文  参考訳（メタデータ） (2025-06-27T15:03:17Z)
• Direct Numerical Layout Generation for 3D Indoor Scene Synthesis via Spatial Reasoning [30.400355766831307]
  3D屋内シーン合成は、AIとデジタルコンテンツ作成の具体化に不可欠である。 既存のメソッドは、オープン語彙であり、きめ細かいユーザー指示に一致したシーンを生成するのに失敗する。 テキスト記述から数値的な3Dレイアウトを直接生成するフレームワークであるDirectを導入する。
  論文  参考訳（メタデータ） (2025-06-05T17:59:42Z)
• HiScene: Creating Hierarchical 3D Scenes with Isometric View Generation [50.206100327643284]
  HiSceneは、2D画像生成と3Dオブジェクト生成のギャップを埋める新しい階層的なフレームワークである。 構成構造を維持しながら2次元表現に整合した3次元コンテンツを生成する。
  論文  参考訳（メタデータ） (2025-04-17T16:33:39Z)
• CHOrD: Generation of Collision-Free, House-Scale, and Organized Digital Twins for 3D Indoor Scenes with Controllable Floor Plans and Optimal Layouts [21.63819006421225]
  室内3次元シーンをスケーラブルに合成するための新しいフレームワークであるCHOrDを紹介する。 ChorDは家庭規模の、衝突のない、階層的に構成された屋内デジタル双生児を作る。
  論文  参考訳（メタデータ） (2025-03-15T02:05:10Z)
• Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
  提案するMiDiffusionは,可塑性3次元屋内シーンを合成するための混合離散連続拡散モデルである。 床条件の3次元シーン合成において,最先端の自己回帰モデルおよび拡散モデルより優れることを示す。
  論文  参考訳（メタデータ） (2024-05-31T17:54:52Z)
• SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation with Fine-Grained Geometry [92.24144643757963]
  3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。 高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。 SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。 提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
  論文  参考訳（メタデータ） (2023-02-16T15:31:59Z)
• ATISS: Autoregressive Transformers for Indoor Scene Synthesis [112.63708524926689]
  我々は,合成室内環境を構築するための新しい自己回帰型トランスフォーマーアーキテクチャであるATISSを紹介する。 この定式化は、ATISSが完全に自動的な部屋レイアウト合成を超えて一般的に有用になるため、より自然なものであると我々は主張する。 本モデルは,ラベル付き3Dバウンディングボックスのみを監督として,自動回帰生成モデルとしてエンドツーエンドで訓練されている。
  論文  参考訳（メタデータ） (2021-10-07T17:58:05Z)

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。