論文の概要: Reflecting Process Expertise in Procedural Material Generation

• arxiv url: http://arxiv.org/abs/2607.13318v2
• Date: Thu, 23 Jul 2026 10:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 16:18:54.634483
• Title: Reflecting Process Expertise in Procedural Material Generation
• Title（参考訳）: 手続き的材料生成における反射過程の専門知識
• Authors: Kunal Gupta, Gaurav Joshi, Yen-Ru Chen, Seemandhar Jain, Ishit Mehta, Manmohan Chandraker,
• Abstract要約: 手続き的な素材作成は、デジタルコンテンツ作成、視覚効果、および3Dアセットデザインの応用を支えている。 プロセストレースとして、プロセスのステップ、パラメータ、設計意図のテキスト記録を専門的な合成として表現する。 チュートリアル動画をプロセス知識の源泉として活用し、自動ビデオ解析ツールを用いてテキストトレースを抽出する。
• 参考スコア（独自算出の注目度）: 47.15641864882028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Procedural material creation underpins applications in digital content creation, visual effects, and 3D asset design. Achieving high-quality results requires more than reproducing node graphs -- it demands understanding the process by which experts construct materials. We formulate procedural material generation as retrieval-time process reasoning over expert demonstrations, elevating process to a first-class representation beyond graph-only synthesis. Concretely, we represent expert workflows as process traces: textual records of construction steps, parameters, and design intent. To instantiate this idea, we use a pretrained LLM-based ProcessSynthesizer to synthesize a process trace aligned with a user's intent and a pretrained LLM-based Compiler to ground the process trace into an executable Blender material graph. Because procedural expertise is most naturally conveyed through demonstrations, we leverage tutorial videos as a source of process knowledge and extract textual, LLM-compatible traces using automated video analysis tools. In an expert study with five Blender artists (avg. 7.5 years of experience), materials generated by reflecting expert demonstrations were found to produce workflows requiring fewer edits, and more closely match professional design strategies than methods operating solely on static artifacts. A user study with 150 participants further shows that our approach achieves superior generation and editing performance compared to prior procedural systems. All code, models, and data will be available at https://materialapprentice.github.io
• Abstract（参考訳）: 手続き的な素材作成は、デジタルコンテンツ作成、視覚効果、および3Dアセットデザインの応用を支えている。 高品質な結果を得るためには、ノードグラフの再生以上のものが必要です -- 専門家が資料を構築するプロセスを理解する必要があります。 我々は,プロシージャ素材の生成を,専門家による実演による検索時間プロセスの推論として定式化し,グラフのみの合成を超えて第一級の表現に発展させる。 具体的には、専門家のワークフローをプロセストレースとして表現します。 このアイデアをインスタンス化するために、学習済みのLLMベースのProcessSynthesizerを使用して、ユーザの意図に合わせたプロセストレースを合成し、学習済みのLLMベースのCompilerを使用してプロセストレースを実行可能なBlenderマテリアルグラフにグラウンドする。 プロシージャの専門知識は実演を通して自然に伝えられるため、チュートリアル動画をプロセス知識の源泉として活用し、自動ビデオ解析ツールを用いてテキスト互換のトレースを抽出する。 5人のブレンダーアーティスト(約7.5年の経験)によるエキスパートスタディでは、専門家によるデモンストレーションを反映した素材が、静的アーティファクトのみで動作する方法よりも、より少ない編集を必要とするワークフローを生成できることがわかった。 さらに,150人の参加者によるユーザスタディにより,従来の手続きシステムよりも優れた生成・編集性能が得られた。 すべてのコード、モデル、データはhttps:// Materialapprentice.github.ioで入手できる。

関連論文リスト

• Demo2Tutorial: From Human Experience to Multimodal Software Tutorials [63.678709079907684]
  Demo2Tutorialは、スクリーン記録とインタラクションログを通じてキャプチャされたエクスペリエンスを構造化されたマルチモーダルソフトウェアチュートリアルに変換するフレームワークである。 ステッププランナーはこれらのステップを、目標とステップを表す階層的なタスクグラフに抽象化します。 Composerは解析されたエクスペリエンスを構造化された再利用可能なイメージテキスト命令に変換する。
  論文  参考訳（メタデータ） (2026-06-02T17:39:07Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• Large Language Model Agent for User-friendly Chemical Process Simulations [0.0]
  大規模言語モデル (LLM) エージェントは AVEVA Process Model Protocol (MCP) と統合され、自然言語のシミュレーションを可能にする。 2つのケーススタディは、異なるタスクの複雑さと相互作用モードにわたるフレームワークを評価する。 このフレームワークは、技術的な概念の翻訳と実証によって教育目的と、データ抽出の自動化、ルーチンタスクの高速化、サポートによって経験豊富な実践者の両方に役立ちます。 オーバーシンプル化、計算エラー、技術的ヒックアップといった現在の制限は専門家の監視を必要とするが、このフレームワークはLSMベースのエージェントが貴重な協力者になれることを示唆している。
  論文  参考訳（メタデータ） (2026-01-15T12:18:45Z)
• VLMaterial: Procedural Material Generation with Large Vision-Language Models [43.60515109432699]
  手続き資料を標準Pythonプログラムに変換する能力を活用している。 我々は、入力画像からそのようなプログラムを生成するために、事前学習された大規模な視覚言語モデルを微調整する。 本手法は, 合成実例と実例の両方において, 従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-27T00:20:48Z)
• Large Language Models as Realistic Microservice Trace Generators [48.730974361862366]
  本稿では,大規模言語モデル (LLM) を用いて, 合成作業負荷トレースを生成する手法を提案する。 我々はTraceLLMが様々な条件下で多様なリアルなトレースを生成し、精度と妥当性の両方において既存のアプローチよりも優れていることを示す。 TraceLLMは、キートレース機能を予測したり、欠落したデータを埋め込むといった、下流のトレース関連タスクに適応する。
  論文  参考訳（メタデータ） (2024-12-16T12:48:04Z)
• Chain of Thought Imitation with Procedure Cloning [129.62135987416164]
  本稿では,一連の専門家計算を模倣するために,教師付きシーケンス予測を適用したプロシージャクローニングを提案する。 本研究では、専門家の行動の中間計算を模倣することで、プロシージャのクローン化により、未知の環境構成に顕著な一般化を示すポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-22T13:14:09Z)
• Shedding Light on Blind Spots: Developing a Reference Architecture to Leverage Video Data for Process Mining [0.0]
  本稿では,コンピュータビジョンとプロセスマイニングのギャップを埋めるための参照アーキテクチャを提案する。 提案した参照アーキテクチャのプロトタイプインスタンス化により,非構造化ビデオデータからプロセス関連イベントのほとんどを自動的に抽出することができる。
  論文  参考訳（メタデータ） (2020-10-21T20:01:52Z)
• Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
  本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。 常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。 我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-28T10:28:40Z)

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。