論文の概要: Arbor: Explicit Geometric Conditioning for Controllable 3D Asset Generation

• arxiv url: http://arxiv.org/abs/2606.23514v1
• Date: Mon, 22 Jun 2026 16:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:38:07.164618
• Title: Arbor: Explicit Geometric Conditioning for Controllable 3D Asset Generation
• Title（参考訳）: Arbor: 制御可能な3次元アセット生成のための特異な幾何学的条件付け
• Authors: Jan-Niklas Dihlmann, Andreas Engelhardt, Simon Donne, Hendrik P. A. Lensch, Mark Boss,
• Abstract要約: Arborはテキスト条件付き3D世代のためのトレーニング可能なアタッチメントである。 ネイティブな3Dコントロールインターフェースとして制約メッシュを導入している。 一定の制約の下でオブジェクトの品質と変動を保ちながら、制約の服従を改善します。
• 参考スコア（独自算出の注目度）: 14.56468102973325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text and image conditioned 3D models now generate convincing assets, but they still offer little direct control over the space an object should occupy or avoid. In authoring, this spatial intent is often known before generation starts. A chair should fit a seating envelope, a prop should leave clearance for motion, or a part should expose a contact surface. Prompts and image views are poor carriers for such constraints, requiring the need for an explicit control interface. We present Arbor, a trainable attachment for text conditioned latent 3D generation. Arbor introduces constraint meshes as a native 3D control interface. The interface uses hull regions where geometry should exist, avoidance regions that should remain empty, and touch regions the object should contact. Unlike completion or whole object scaffold control, these meshes are not target evidence. They are local typed requirements and can include regions where no surface should appear. Arbor keeps this signal as geometry by converting constraint meshes into tokens and learning a routed attachment inside a frozen denoiser. Each latent region can therefore receive the part of the constraint that matters for its spatial location. We evaluate Arbor on automatic and artist curated control benchmarks with hull, avoidance, and touch constraints, and compare the metric trends to a user preference study. Even without dedicated compliance losses, Arbor improves constraint obedience while preserving object quality and variation under fixed constraints.
• Abstract（参考訳）: テキストと画像で条件付けされた3Dモデルは現在、説得力のある資産を生成するが、オブジェクトが占有または回避すべき空間を直接制御することはほとんどない。 著述において、この空間的意図は世代が始まる前によく知られている。 椅子は座席のエンベロープに収まり、プロップは動きのクリアランスを残し、部品は接触面を露出させる。 プロンプトとイメージビューはそのような制約に対して貧弱なキャリアであり、明示的なコントロールインターフェースを必要とする。 テキスト条件付き3D生成のためのトレーニング可能なアタッチメントであるArborを提案する。 Arborは、ネイティブな3Dコントロールインターフェースとして制約メッシュを導入した。 インターフェースは、ジオメトリが存在するべき船体領域、空であるべき回避領域、そしてオブジェクトが接触すべきタッチ領域を使用する。 完了やオブジェクトの足場全体の制御とは異なり、これらのメッシュは対象のエビデンスではない。 それらはローカルな型付き要件であり、サーフェスを表示すべきでない領域を含むことができる。 Arborは、制約メッシュをトークンに変換し、凍結したデノイザ内のルート付きアタッチメントを学習することで、この信号を幾何学的に保持する。 したがって、各潜伏領域は、その空間的位置について重要な制約の一部を受け取ることができる。 本研究では,Arbor の自動およびアーチストのキュレートされた制御ベンチマークを,殻,回避,タッチ制約で評価し,測定トレンドとユーザの好みを比較検討した。 専用のコンプライアンス損失がなくても、Arborは制約の従順性を改善し、オブジェクトの品質と変動を一定の制約の下で保持する。

関連論文リスト

• Interaction Locality in Hierarchical Recursive Reasoning [6.961253535504979]
  空間推論は位置境界計算と位置不変構造の両方を必要とする。 本稿では,情報フローがセル内やセマンティックセグメント内に留まっているか,あるいはそれらを横断するかどうかを測定するためのフレームワークである相互作用局所性を提案する。 このフレームワークはスパースオートエンコーダの機能改善と有限ノイズアクティベーションパッチによってインスタンス化され、構造的ヤコビアンとアテンションチェックが付録に報告されている。
  論文  参考訳（メタデータ） (2026-05-20T06:25:49Z)
• SpaceDex: Generalizable Dexterous Grasping in Tiered Workspaces [12.014535031347926]
  本研究では,制約された3次元環境におけるデクスタラス操作のための階層的フレームワークであるSpaceDexを紹介する。 高レベルでは、Vision-Language Model (VLM)プランナーがユーザの意図を解析し、ゼロショットセグメンテーションとマスクトラッキングのためのターゲットバウンディングボックスを生成する。 低レベルでは、幾何認識のグリップモード選択から腕のグローバルな軌跡制御を分離するアームハンド特徴分離ネットワークを導入する。
  論文  参考訳（メタデータ） (2026-04-20T07:01:21Z)
• Context-Nav: Context-Driven Exploration and Viewpoint-Aware 3D Spatial Reasoning for Instance Navigation [4.039245878626346]
  Text-goal instance navigation (TGIN)は、エージェントに単一の自由形式の記述を正しいオブジェクトインスタンスに到達するアクションに解決するよう要求する。 局所的なキューからグローバルな探索までの長い文脈的キャプションを増大させるtextitContext-Navを提案する。
  論文  参考訳（メタデータ） (2026-03-10T11:08:35Z)
• SeeThrough3D: Occlusion Aware 3D Control in Text-to-Image Generation [32.15143378003745]
  閉包推論は、深度に一貫性のある幾何学とスケールを持つ部分閉包対象に対して必要不可欠である。 本稿では,オクルージョンを明示的にモデル化した3次元レイアウト条件付き生成モデルであるSeeeThrough3Dを提案する。
  論文  参考訳（メタデータ） (2026-02-26T18:59:05Z)
• SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling [62.89824987879374]
  本研究では,3次元生成の空間的制御を明示する訓練不要なテストタイム手法であるSpaceControlを紹介する。 SpaceControlは、追加のトレーニングを必要とせずに、現代的な事前訓練された生成モデルとシームレスに統合する。 テクスチャ化された3Dアセットへの直接変換を行うために,スーパークワッドリックのオンライン編集を可能にする対話型ユーザインタフェースを提案する。
  論文  参考訳（メタデータ） (2025-12-05T00:54:48Z)
• 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)
• FreeInsert: Disentangled Text-Guided Object Insertion in 3D Gaussian Scene without Spatial Priors [69.61116210215471]
  FreeInsertは空間配置からオブジェクト生成を分離する新しいフレームワークである。 意味的コヒーレント、空間的正確、視覚的にリアルな3D挿入を実現する。
  論文  参考訳（メタデータ） (2025-05-02T14:53:56Z)

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。