論文の概要: InSpace: Structure-Aware 3D Indoor Scene Generation from a Single 360° Image

• arxiv url: http://arxiv.org/abs/2607.03990v1
• Date: Sat, 04 Jul 2026 19:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.786915
• Title: InSpace: Structure-Aware 3D Indoor Scene Generation from a Single 360° Image
• Title（参考訳）: インスペース:360度1枚の画像から3D構造を意識した屋内シーン生成
• Abstract要約: InSpaceは3次元屋内シーン生成のための構造認識フレームワークである。 InSpace は,(1) 部分シーン形状を空間的先行として推定し,(2) 視認性のある粗いシーン構造を生成し,(3) 詳細なレイアウトとテクスチャを用いた資産形状を生成する。 実験によると、InSpaceは構造的なレイアウトを持つ完全な3D屋内シーンと、単一のERPイメージから別々のテクスチャ化された資産を生成し、3Dと2Dのメトリクス間で高いパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 42.12329326183983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in single image-to-3D generation have enabled high-quality asset synthesis, yet extending these capabilities to indoor scene generation remains challenging. Existing methods focus on asset-level generation while neglecting the structural layout, which is essential for downstream applications and serves as the spatial anchor for grounding assets. However, a single image with a limited field of view lacks the spatial coverage to recover a coherent global layout. To this end, we use a 360° image represented in equirectangular projection (ERP) and propose InSpace, a structure-aware framework for 3D indoor scene generation. InSpace comprises three stages: (1) estimating partial scene geometry as spatial priors, (2) generating coarse scene structure with view-selective cross-attention, and (3) producing detailed layout and asset geometry with textures through a global-local hybrid attention, using flow matching. We also propose ERP-FRONT, a paired ERP-Image-to-3D indoor scene dataset based on 3D-FRONT. Experiments show that InSpace generates complete 3D indoor scenes with structural layout, along with separate textured assets from a single ERP image, achieving strong performance across 3D and 2D metrics. Project Page: https://kookie12.github.io/InSpace-Project-Page/
• Abstract（参考訳）: 近年のイメージ・ツー・3D生成の進歩により高品質な資産合成が可能になったが、これらの能力を屋内シーンに拡張することは依然として困難である。 既存の手法は、下流のアプリケーションに不可欠な構造的レイアウトを無視しつつ、資産レベルの生成に重点を置いており、資産を接地するための空間的アンカーとして機能している。 しかし、視野が限られている単一の画像は、コヒーレントなグローバルなレイアウトを復元する空間的カバレッジを欠いている。 この目的のために、等方射影(ERP)で表現される360度画像を用いて、3次元屋内シーン生成のための構造認識フレームワークInSpaceを提案する。 InSpace は,(1) 部分シーン形状を空間的先行として推定し,(2) 視認性のある粗いシーン構造を生成し,(3) グローバルな局所的ハイブリッドアテンションを通したテクスチャによる詳細なレイアウトとアセットジオメトリを生成する。 また、3D-FRONTに基づくERP-Image-to-3D屋内シーンデータセットであるERP-FRONTを提案する。 実験によると、InSpaceは構造的なレイアウトを持つ完全な3D屋内シーンと、単一のERPイメージから別々のテクスチャ化された資産を生成し、3Dと2Dのメトリクス間で高いパフォーマンスを達成する。 Project Page: https://kookie12.github.io/InSpace-Project-Page/

関連論文リスト

• GOPI: Generation-Oriented 3D Pose Inference for Furniture Insertion from Single-View RGB-D Indoor Scenes [55.50433346262017]
  室内シーン画像に新しい家具を挿入する問題について検討する。 マスク付きシングルビュー2D画像平面条件付けでは、シーンに対する挿入家具の物理的スケールを一意に決定できない。 我々は3次元ポーズ推論と幾何誘導画像生成の組み合わせでタスクを再構築する。
  論文  参考訳（メタデータ） (2026-08-07T05:54:47Z)
• 3D-Fixer: Coarse-to-Fine In-place Completion for 3D Scenes from a Single Image [26.04490259188974]
  合成3Dシーン生成のための新しいインプレース・コンプリート・パラダイムである3D-Fixerを紹介する。 明示的なポーズアライメントを必要とする以前の作品とは異なり、3D-Fixerはレイアウトの忠実さを維持するために空間アンカーとして断片化された幾何学を使用している。 これまでで最大のシーンレベルのデータセットであるARSG-110Kについて述べる。
  論文  参考訳（メタデータ） (2026-04-06T04:11:09Z)
• WorldGrow: Generating Infinite 3D World [75.81531067447203]
  我々は、無限に拡張可能な3D世界、すなわちコヒーレントな幾何学と現実的な外観を持つ大規模で連続的な環境を生み出すという課題に取り組む。 本研究では,非有界な3次元シーン合成のための階層的フレームワークWorldGrowを提案する。 提案手法は,(1)高品質なシーンブロックを抽出し,シーン生成に適した3D構造化潜在表現を作成するデータキュレーションパイプライン,(2)コンテキスト認識シーン拡張を可能にする3Dブロックインペイント機構,(3)グローバルなレイアウトの妥当性と局所幾何学的/音声的忠実性の両立を保証する粗大かつ微細な生成戦略,の3つのコアコンポーネントを特徴とする。
  論文  参考訳（メタデータ） (2025-10-24T17:39:52Z)
• Imaginarium: Vision-guided High-Quality 3D Scene Layout Generation [27.13700598039439]
  本稿では,視覚誘導型3次元レイアウト生成システムを提案する。 まず,2,037のシーンアセットと147の3Dシーンレイアウトを含む高品質なアセットライブラリを構築した。 次に、画像生成モデルを用いて、プロンプト表現を画像に拡張し、それを微調整してアセットライブラリと整合させる。 シーングラフと全体視覚意味論を用いてシーンレイアウトを最適化し、画像との論理的コヒーレンスとアライメントを確保する。
  論文  参考訳（メタデータ） (2025-10-17T11:48:08Z)
• ZeroScene: A Zero-Shot Framework for 3D Scene Generation from a Single Image and Controllable Texture Editing [36.098009720325436]
  画像から3Dのシーン再構成とテクスチャ編集をゼロショットで行う新しいシステムを提案する。 ZeroSceneは、入力画像からオブジェクトレベルの2Dセグメンテーションと深度情報を抽出し、シーン内の空間的関係を推測する。 そして、ポイントクラウドの3Dおよび2Dプロジェクション損失を共同で最適化し、正確なシーンアライメントのためのオブジェクトのポーズを更新する。
  論文  参考訳（メタデータ） (2025-09-28T03:21:12Z)
• SceneGen: Single-Image 3D Scene Generation in One Feedforward Pass [44.087747627571716]
  3Dコンテンツ生成は、VR/ARとAIの具体化によって、大きな研究関心を集めている。 シーンイメージと対応するオブジェクトマスクを入力として,同時に複数の3Dアセットを生成する新しいフレームワークであるSceneGenを提案する。 このパラダイムは、高品質な3Dコンテンツ生成のための新しいソリューションを提供し、下流タスクにおける実践的応用を推し進める可能性があると考えています。
  論文  参考訳（メタデータ） (2025-08-21T17:59:16Z)
• Constructing a 3D Scene from a Single Image [31.11317559252235]
  SceneFuse-3Dは、単一のトップダウンビューからコヒーレントな3Dシーンを合成するために設計されたトレーニング不要のフレームワークである。 入力画像を重なり合う領域に分解し、事前訓練された3Dオブジェクトジェネレータを用いてそれぞれを生成する。 このモジュラー設計により、3次元の監督や微調整を必要とせず、解像度のボトルネックを克服し、空間構造を維持できる。
  論文  参考訳（メタデータ） (2025-05-21T17:10:47Z)
• BloomScene: Lightweight Structured 3D Gaussian Splatting for Crossmodal Scene Generation [54.12899218104669]
  3Dシーンは非常に複雑な構造を持ち、出力が密度が高く、一貫性があり、必要な全ての構造を含むことを保証する必要がある。 現在の3Dシーン生成法は、事前訓練されたテキスト・画像拡散モデルと単眼深度推定器に依存している。 クロスモーダルシーン生成のための軽量な3次元ガウススプラッティングであるBloomSceneを提案する。
  論文  参考訳（メタデータ） (2025-01-15T11:33:34Z)
• Disentangled 3D Scene Generation with Layout Learning [109.03233745767062]
  本稿では,コンポーネントオブジェクトに絡み合った3Dシーンを生成する手法を提案する。 私たちの重要な洞察は、オブジェクトは空間的に再構成された場合、同じシーンの有効な構成を生成する3Dシーンの一部を見つけることで発見できるということです。 単純さにもかかわらず、我々のアプローチは個々のオブジェクトに3Dシーンを生成することに成功している。
  論文  参考訳（メタデータ） (2024-02-26T18:54:15Z)
• Generating Visual Spatial Description via Holistic 3D Scene Understanding [88.99773815159345]
  視覚空間記述(VSD)は、画像内の対象物の空間的関係を記述するテキストを生成することを目的としている。 外部の3Dシーン抽出器を用いて,入力画像の3Dオブジェクトとシーン特徴を抽出する。 対象物の中心となる3次元空間シーングラフ(Go3D-S2G)を構築し,対象物の空間意味を総合的な3次元シーン内にモデル化する。
  論文  参考訳（メタデータ） (2023-05-19T15:53:56Z)

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。