論文の概要: MAGIC: Transition-Aware Generation of Navigable Multi-Scene Game Worlds with Large Language Models
- arxiv url: http://arxiv.org/abs/2607.11594v1
- Date: Mon, 13 Jul 2026 14:16:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.500509
- Title: MAGIC: Transition-Aware Generation of Navigable Multi-Scene Game Worlds with Large Language Models
- Title（参考訳）: MAGIC:大規模言語モデルを用いたナビゲーション可能なマルチシーンゲーム世界の遷移認識生成
- Abstract要約: 本稿では,自然言語によるプロンプトを実行可能なマルチシーンゲームプロジェクトに変換するプロンプト・ツー・プロジェクトシステムMAGICを提案する。
共有トランジション対応中間表現を計画し、各シーンを指定し、フラッドフィルバリデータでポータルへの到達性を強制する。
シングルシーンの忠実度測定はトランジッションを実行しないので、各トランジッションをプレイで実行するトランジッション中心の評価エージェントを導入します。
- 参考スコア（独自算出の注目度）: 33.441818001975214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-scene navigation (clearing an objective in one bounded space and then crossing a portal into the next) is a defining feature of contemporary 3D games, but authoring it is laborious: every portal must have consistent endpoints on both sides, each interior must remain navigable once it is furnished, and the resulting connectivity must be kept consistent across many files. Recent large language model (LLM) and multimodal LLM (MLLM) scene generators have made single-interior synthesis dramatically cheaper, yet they produce one scene at a time and cannot, by naive repetition, yield a connected multi-scene world. We identify three obstacles that single-scene methods leave unsolved: cross-scene consistency, in-scene navigability, and the evaluation of whether a transition actually works. We present MAGIC, a prompt-to-project system that addresses all three. MAGIC is a four-stage pipeline that turns a single natural-language prompt into a runnable multi-scene game project: it plans a shared transition-aware intermediate representation, specifies each scene while enforcing portal reachability with a flood-fill validator, generates the scenes together with their transition scripts, and combines them into one project. Because existing single-scene fidelity metrics never execute a transition, we further introduce a transition-focused evaluation agent that runs each transition in play. On a new benchmark of 100 multi-scene cases, MAGIC produces an executable project for every case and reaches 0.99 precision, 0.95 recall, and 0.96 F1 on end-to-end transition identification; stage by stage, it recovers more ground-truth portals and yields markedly more navigable layouts than an LLM baseline and Holodeck. Our code is available at https://github.com/sereneee1201/MAGIC/.
- Abstract（参考訳）: マルチシーンナビゲーション(一方の有界空間で目的をクリアし、次にポータルを横切る)は、現代の3Dゲームの決定的な特徴である。
近年の大規模言語モデル (LLM) とマルチモーダルLLM (MLLM) シーンジェネレータは, 単一言語間合成を劇的に安価にしている。
単一シーンの手法が未解決のまま残す障害として, クロスシーンの一貫性, インシーンのナビビリティ, 移行が実際に機能するかどうかを評価する。
3つすべてに対処するプロンプト・ツー・プロジェクトシステムであるMAGICを提案する。
MAGICは、単一の自然言語プロンプトを実行可能なマルチシーンゲームプロジェクトに変換する4段階のパイプラインである。共有トランジション対応の中間表現を計画し、ポータルの到達性をフラッドフィルバリデータに強制しながら各シーンを指定し、移行スクリプトと一緒にシーンを生成し、それらをひとつのプロジェクトに統合する。
既存のシングルシーンの忠実度メトリクスはトランジッションを実行しないので、各トランジッションをプレイで実行するトランジッション中心の評価エージェントも導入します。
100のマルチシーンのケースの新しいベンチマークでは、MAGICはすべてのケースに対して実行可能なプロジェクトを生成し、エンドツーエンドのトランジション識別において0.99の精度、0.95のリコール、0.96のF1に達した。
私たちのコードはhttps://github.com/sereneee1201/MAGIC/で利用可能です。
関連論文リスト
- SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout Evolution [13.70702214045688]
SceneMosaicは、単一の入力に対して多様なシーンを生成するフレームワークである。
シーンモザイクは自然のシーンの局所性を生かし、シーンを独立したローカルユニットに分解する。
SceneEval-100では、SceneMosaicはセマンティックレイアウトの品質において最強のエージェントベースラインと24倍のスピードアップで一致している。
論文 参考訳（メタデータ） (2026-09-04T17:45:52Z) - Incantation: Natural Language as the Action Interface for Multi-Entity Video World Models [18.614835778452345]
Incantationは、ラテンフレームごとの自然言語コンディショニングを備えた世界初のインタラクティブなビデオワールドモデルである。
我々は、クロス・エンタリティ・トランスファーとアウト・オブ・ボキャブラリ・プロンプトのAction-Indexベースラインを超えている。
我々は、同じアーキテクチャとトレーニングのレシピを『The King of Fighters』に適用し、参加者ごとのアクションボキャブラリスロットだけを変更する。
論文 参考訳（メタデータ） (2026-05-18T16:12:52Z) - Closing the Loop: Unified 3D Scene Generation and Immersive Interaction via LLM-RL Coupling [1.2722697496405462]
本稿では,言語駆動型3Dシーン生成と没入型ユーザインタラクションのループを閉じる統一フレームワークを提案する。
生成とインタラクションを緊密に結合することにより、提案フレームワークはより応答性が高く、適応性があり、リアルなマルチメディア体験を可能にする。
論文 参考訳（メタデータ） (2026-05-07T05:55:50Z) - StoryBlender: Inter-Shot Consistent and Editable 3D Storyboard with Spatial-temporal Dynamics [56.8957922153694]
StoryBlenderは、ストーリー中心のリフレクションスキームによって管理される、3Dストーリーボード生成フレームワークです。
StoryBlenderは拡散ベースベースと3Dグラウンドベースラインの整合性と編集性を大幅に改善する。
論文 参考訳（メタデータ） (2026-04-01T07:24:31Z) - HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。
我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。
この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
論文 参考訳（メタデータ） (2025-06-02T12:08:08Z) - SwimVG: Step-wise Multimodal Fusion and Adaption for Visual Grounding [37.27111432020955]
視覚的なグラウンドニングは、画像領域を自然言語でグラウンドすることを目的としており、それはクロスモーダルアライメントに大きく依存している。
SwimVGは、視覚的な接地のためのステップワイズマルチモーダルプロンプト(Swip)とクロスモーダルインタラクティブアダプタ(CIA)を提案する。
SwipとCIAはどちらもパラメータ効率のパラダイムであり、徐々に浅い層から深い層へとクロスモーダルな特徴を融合させていく。
論文 参考訳（メタデータ） (2025-02-24T02:41:34Z) - M$^3$-VOS: Multi-Phase, Multi-Transition, and Multi-Scenery Video Object Segmentation [51.82272563578793]
本稿では,その視覚的特徴と潜在的な形態的・外見的変化に基づいて,現実世界の物体を分類するセグメンテーションにおける位相の概念を紹介する。
本稿では,オブジェクトの位相を理解するためのモデルの有効性を検証するために,新しいベンチマーク,Multi-Phase,Multi-Transition,Multi-Scenery Video Object (M$3$-VOS)を提案する。
論文 参考訳（メタデータ） (2024-12-18T12:50:11Z) - Meta-Transformer: A Unified Framework for Multimodal Learning [105.77219833997962]
マルチモーダル学習は、複数のモーダルからの情報を処理し、関連付けるモデルを構築することを目的としている。
この分野での長年の開発にもかかわらず、様々なモダリティを処理する統一ネットワークを設計することは依然として困難である。
我々は、textbffrozen$ encoderを利用してマルチモーダル認識を行うMeta-Transformerというフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-20T12:10:29Z) - Real-time Controllable Motion Transition for Characters [14.88407656218885]
リアルタイムの動作生成はゲームでは普遍的に必要であり、既存のアニメーションパイプラインでは非常に望ましい。
我々のアプローチは、運動多様体と条件遷移という2つの重要な構成要素から構成される。
提案手法は,複数の測定基準の下で測定された高品質な動きを生成できることを示す。
論文 参考訳（メタデータ） (2022-05-05T10:02:54Z) - TxT: Crossmodal End-to-End Learning with Transformers [84.55645255507461]
複数のモダリティに対する推論は、ドメイン間のセマンティックな概念の整合性を必要とする。
TxTはトランスフォーマーベースのクロスモーダルパイプラインで、下流タスクで言語とビジュアルコンポーネントの両方を微調整できる。
本モデルは,マルチモーダル質問応答のためのエンド・ツー・エンド・ラーニングからかなりの利益を得る。
論文 参考訳（メタデータ） (2021-09-09T17:12:20Z)
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。