論文の概要: HDSL: A Hierarchical Domain-Specific Language for Structured 3D Indoor Scene Generation and Localized Editing with LLM Agents

• arxiv url: http://arxiv.org/abs/2606.09738v1
• Date: Mon, 08 Jun 2026 17:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.578142
• Title: HDSL: A Hierarchical Domain-Specific Language for Structured 3D Indoor Scene Generation and Localized Editing with LLM Agents
• Title（参考訳）: HDSL:LLMエージェントを用いた3次元室内シーン生成と局所編集のための階層型ドメイン特化言語
• Authors: Letian Li, Chao Shen, Shuzhao Xie, Chenghao Gu, ZhengXiao He, Yu Meng, Xin Yang, Wenyuan Jiang, Zhi Wang,
• Abstract要約: テキスト駆動の屋内シーン生成と編集は、言語モデルが生成および修正できる中間表現を必要とする。 構造化された3次元屋内シーンのためのXML/CSSスタイルのドメイン固有言語である階層記述シーン言語(HDSL)を提案する。 HRAGは、トークンの使用を5.22times$とランタイムを6.19times$に減らし、8対の編集で有効なDSLを生成し、無関係なシーンオブジェクトをよりよく保存する。
• 参考スコア（独自算出の注目度）: 22.49367467597206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-driven indoor scene generation and editing require an intermediate representation that language models can both produce and revise. Existing LLM-based systems often rely on scene graphs or global constraint lists, which are compact but underspecify local geometry and make instruction-based edits difficult to localize. We frame this problem as structured program generation and local program repair, and propose Hierarchical Descriptive Scene Language (HDSL), an XML/CSS-style domain-specific language for structured 3D indoor scenes. HDSL represents rooms, regions, objects, and support surfaces as a tree with local coordinates, making complex scenes easier to plan recursively and easier to retrieve for editing. Our pipeline uses LLM agents to generate HDSL subtrees with bounded verification, grounds non-virtual nodes through multimodal asset retrieval, and applies force-directed layout optimization to repair boundary and collision errors. For editing, Hierarchical Retrieval-Augmented Generation retrieves the relevant subtree, asks the LLM to rewrite only that local context, and merges the result back through a deterministic three-way merge. In our reproduced benchmark, HDSL improves average object coverage, text-scene alignment, and generation time over full text-to-scene baselines while remaining competitive with recent layout-only reproductions on geometry metrics; for editing, HRAG reduces token use by $5.22\times$ and runtime by $6.19\times$, produces valid DSL for all eight paired edits, and better preserves unrelated scene objects.
• Abstract（参考訳）: テキスト駆動の屋内シーン生成と編集は、言語モデルが生成および修正できる中間表現を必要とする。 既存のLLMベースのシステムは、しばしばシーングラフやグローバル制約リストに頼っている。 この問題を構造化されたプログラム生成と局所的なプログラム修復とみなし、構造化された3次元屋内シーンのためのXML/CSSスタイルのドメイン固有言語である階層記述シーン言語(HDSL)を提案する。 HDSLは、部屋、地域、オブジェクト、およびサポート面を、局所座標を持つツリーとして表現し、複雑なシーンを再帰的に計画し、編集しやすくする。 我々のパイプラインはLLMエージェントを用いて境界検証付きHDSLサブツリーを生成し、マルチモーダルアセット検索により非仮想ノードを接地し、境界と衝突の誤りを修復するために強制的レイアウト最適化を適用する。 編集のために階層検索拡張生成(Hierarchical Retrieval-Augmented Generation)は関連するサブツリーを取得し、LLMにローカルコンテキストのみを書き直すように要求し、決定論的3方向マージを通じて結果をマージする。 再現されたベンチマークでは、HDSLは平均的なオブジェクトカバレッジ、テキストシーンアライメント、全テキストシーンベースラインでの生成時間の改善とともに、最近の幾何学的メトリクスのレイアウトのみの再現と競合する一方で、HRAGはトークンの使用を5.22\times$とランタイムを6.19\times$に削減し、8つの編集のすべてに有効なDSLを生成し、無関係なシーンオブジェクトを保存します。

関連論文リスト

• LangDriveCTRL: Natural Language Controllable Driving Scene Editing with Multi-modal Agents [61.91651123290512]
  LangDriveCTRLは、様々な交通シナリオを合成するために現実世界の運転ビデオを編集するフレームワークである。 オブジェクトノードの編集(削除、挿入、置換)と1つの自然言語命令からの複数オブジェクトの振る舞いの編集の両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-19T10:57:03Z)
• Mono4DEditor: Text-Driven 4D Scene Editing from Monocular Video via Point-Level Localization of Language-Embedded Gaussians [26.932971930852176]
  フレキシブルで正確なテキスト駆動4Dシーン編集のためのフレームワークであるMono4DEditorを紹介する。 提案手法は,3次元ガウス関数を量子化したCLIP特徴量で拡張し,言語埋め込み動的表現を生成する。 Mono4DEditorは、さまざまなシーンやオブジェクトタイプにわたる高品質でテキスト駆動の編集を可能にする。
  論文  参考訳（メタデータ） (2025-10-10T14:49:49Z)
• 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)
• EditRoom: LLM-parameterized Graph Diffusion for Composable 3D Room Layout Editing [114.14164860467227]
  自然言語コマンドで様々なレイアウト編集を実行できるフレームワークであるEditRoomを提案する。 特にEditRoomは、コマンドプランニングとターゲットシーンの生成にLarge Language Models(LLM)を利用している。 既存の3Dシーンデータセットを拡張する自動パイプラインを開発し,83kの編集ペアを備えた大規模データセットであるEditRoom-DBを導入した。
  論文  参考訳（メタデータ） (2024-10-03T17:42:24Z)
• Open-Universe Indoor Scene Generation using LLM Program Synthesis and Uncurated Object Databases [13.126239167800652]
  テキストのプロンプトに応じて屋内シーンを生成するシステムを提案する。 プロンプトはシーン記述の固定語彙に限らない。 生成されたシーンのオブジェクトは、固定されたオブジェクトカテゴリに制限されない。
  論文  参考訳（メタデータ） (2024-02-05T01:59:31Z)
• Lazy Visual Localization via Motion Averaging [89.8709956317671]
  本研究では,データベースからシーンを再構築することなく,高精度なローカライゼーションを実現することができることを示す。 実験の結果、我々の視覚的ローカライゼーションの提案であるLazyLocは、最先端の構造に基づく手法に対して同等のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T13:40:45Z)
• Local-Global Context Aware Transformer for Language-Guided Video Segmentation [103.35509224722097]
  言語誘導ビデオセグメンテーション(LVS)の課題について検討する。 そこで我々は,Transformerアーキテクチャを有限メモリで拡張し,動画全体を言語表現で効率的にクエリするLocaterを提案する。 LVSモデルの視覚的接地能力を徹底的に検討するため、新しいLVSデータセットであるA2D-S+をA2D-Sデータセット上に構築する。
  論文  参考訳（メタデータ） (2022-03-18T07:35:26Z)

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。