論文の概要: 3D Scene Graph Prediction: Generating Hierarchical Models from Partially Observed Environments

• arxiv url: http://arxiv.org/abs/2607.10879v2
• Date: Fri, 17 Jul 2026 19:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.265547
• Title: 3D Scene Graph Prediction: Generating Hierarchical Models from Partially Observed Environments
• Title（参考訳）: 3次元シーングラフ予測:部分観測環境から階層モデルを生成する
• Authors: Siyi Hu, Jared Strader, Hyungtae Lim, Luca Carlone,
• Abstract要約: 室内レベルのレイアウトやトラバータビリティなどの高レベルなシーン構造の生成は、ロボティクスの応用において重要であるにもかかわらず、未調査のままである。 本稿では,階層型3次元シーングラフのためのトップダウンフレームワークを提案する。 また、ロボットが収集したデータから現実のシーンの予測パイプラインを統合することで、探索領域を超えて予測を可能にする。
• 参考スコア（独自算出の注目度）: 17.045007147131013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating realistic 3D indoor scenes is an area of growing interest in computer vision and robotics. Existing methods, often motivated by applications such as interior design, generally focus on object layout generation within a single room. The generation of high-level scene structure, such as room-level layout and traversability, remains underexplored despite its importance for robotics applications. In this paper, we consider the case where a robot has explored part of an environment and needs to predict the unexplored parts to support downstream tasks such as exploration or object search. We propose a top-down framework for synthesizing hierarchical 3D scene graphs, including a room layer -- describing the floor plan and traversability -- and an object layer modeling object layouts within each room. For the room layer, we propose a novel mixed-domain graph diffusion model jointly predicting room categories, floor boundaries, and traversability between rooms. Via corruption and masking, this model supports partial constraints such as incomplete floor plans, avoiding the need for partially observed training data. For the object layer, we integrate an existing mixed discrete-continuous diffusion model for joint prediction of object categories, locations, sizes, and orientations within each room given the floor plan. We compare our method with state-of-the-art occupancy-based and LLM-based floor plan generation methods on a standard benchmark. Compared with an occupancy-based learning baseline, our method generalizes substantially better to out-of-distribution partial floor plans. We also demonstrate our integrated prediction pipeline on real-world scenes from robot-collected data, enabling prediction beyond explored areas.
• Abstract（参考訳）: リアルな3D屋内シーンを生成することは、コンピュータビジョンとロボット工学への関心が高まっている分野だ。 既存の手法は、しばしばインテリアデザインのようなアプリケーションによって動機付けられ、一般に1部屋内のオブジェクトレイアウト生成に焦点を当てている。 ルームレベルのレイアウトやトラバータビリティといった高レベルなシーン構造の生成は、ロボット工学の応用において重要であるにもかかわらず、いまだに未調査である。 本稿では,ロボットが環境の一部を探索し,探索や物体探索などの下流作業を支援するために未探索部分を予測する必要がある場合について考察する。 本稿では,階層的な3Dシーングラフを合成するためのトップダウンフレームワークを提案する。 そこで本研究では,部屋のカテゴリ,フロア境界,および部屋間のトラバータビリティを共同で予測する混合領域グラフ拡散モデルを提案する。 汚職やマスキングのため、このモデルは不完全なフロアプランのような部分的な制約をサポートし、部分的に観察されたトレーニングデータを必要としない。 対象層に対して,各部屋内における対象カテゴリ,位置,大きさ,配向の連成予測を行うために,既存の混合離散連続拡散モデルを統合する。 提案手法を標準ベンチマーク上で,最先端の占有率に基づくフロアプラン生成法とLCMベースのフロアプラン生成法と比較した。 本手法は, 占有型学習ベースラインと比較すると, 分布外部分的なフロアプランよりもはるかに優れている。 また、ロボットが収集したデータから現実のシーンの予測パイプラインを統合することで、探索領域を超えて予測を可能にする。

関連論文リスト

• HomeWorld: A Unified Floorplan-to-Furnished Framework for Generating Controllable, Densely Interactive Whole-Home Scenes [36.81011113715663]
  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。
  論文  参考訳（メタデータ） (2026-06-04T16:58:43Z)
• 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)
• 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)
• SliceOcc: Indoor 3D Semantic Occupancy Prediction with Vertical Slice Representation [50.420711084672966]
  室内3Dセマンティック占有予測に適したRGBカメラベースモデルであるSliceOccを提案する。 EmbodiedScanデータセットの実験結果は、SliceOccが81の屋内カテゴリで15.45%のmIoUを達成したことを示している。
  論文  参考訳（メタデータ） (2025-01-28T03:41:24Z)
• 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)
• CommonScenes: Generating Commonsense 3D Indoor Scenes with Scene Graph Diffusion [83.30168660888913]
  シーングラフを対応する制御可能な3Dシーンに変換する完全生成モデルであるCommonScenesを提案する。 パイプラインは2つのブランチで構成されており、1つは変分オートエンコーダでシーン全体のレイアウトを予測し、もう1つは互換性のある形状を生成する。 生成されたシーンは、入力シーングラフを編集し、拡散モデルのノイズをサンプリングすることで操作することができる。
  論文  参考訳（メタデータ） (2023-05-25T17:39:13Z)
• 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)
• Scan2Plan: Efficient Floorplan Generation from 3D Scans of Indoor Scenes [9.71137838903781]
  Scan2Planは,室内環境の構造要素の3次元スキャンから,フロアプランを正確に推定するための新しい手法である。 提案手法は、初期ステージがシーンの無秩序な点雲をクラスタリングする2段階のアプローチを取り入れたものである。 その後の段階では、各部屋について単純なポリゴンによってパラメータ化された閉周を推定する。 最後のフロアプランは、グローバル・コーディネート・システムにおけるすべての部屋周計の集合である。
  論文  参考訳（メタデータ） (2020-03-16T17:59:41Z)

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。