論文の概要: ThinkBLOX: 3D Indoor Scene Generation with Progressive Reasoning
- arxiv url: http://arxiv.org/abs/2607.13539v1
- Date: Wed, 15 Jul 2026 07:42:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.685408
- Title: ThinkBLOX: 3D Indoor Scene Generation with Progressive Reasoning
- Title（参考訳）: ThinkBLOX: プログレッシブ推論による3次元室内シーン生成
- Abstract要約: 我々は,3Dシーンを反復的に設計・洗練する進歩的推論フレームワークThinkBLOXを提案する。
ThinkBLOXは、レイアウト生成を状態条件付き、ステップバイステップの推論とアクションプロセスとして扱う。
近年のThinkBLOXは, 物理的妥当性, セマンティックアライメント, インタラクティブな編集性において, ワンショット, 反復ベースラインを著しく上回っている。
- 参考スコア（独自算出の注目度）: 26.96786747869045
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While traditional graphics methods often synthesize 3D indoor scenes autoregressively or hierarchically, recent vision-language model (VLM)-based generators predominantly adopt a one-shot paradigm where the full layout is planned at once. This one-shot approach often requires global re-optimization or complete reconstruction during interactive editing (e.g., inserting or moving objects) and can lead to physically or semantically poorly organized arrangements. To address these challenges, we propose ThinkBLOX, a VLM-based progressive reasoning framework that iteratively designs and refines 3D scenes. ThinkBLOX treats layout generation as a state-conditioned, step-by-step reasoningand-action process. To power this, we construct the ThinkBLOX-Data-200K dataset, containing 224,757 procedural placement pairs annotated with multi-view scene context, explicit Chain-of-Thought (CoT) rationales, and structured JSON layouts. Through supervised fine-tuning (SFT) on this dataset, the VLM learns to bridge the reasoning-action gap under incremental updates. Furthermore, recognizing that scene synthesis is inherently a multisolution task where SFT suffers from reward conflict, we introduce Tier-Decoupled GDPO. This reinforcement learning scheme organizes heterogeneous rewards into distinct tiers, stabilizing policy optimization across physical validity, semantic plausibility, and reasoning-action consistency. Extensive experiments show that ThinkBLOX significantly outperforms recent one-shot and iterative baselines in physical plausibility, semantic alignment, and interactive editability. Additionally, we show that it supports diverse applications, including both global and local generation and rearrangement of 3D scenes.
- Abstract（参考訳）: 従来のグラフィックス手法は、しばしば3次元屋内シーンを自己回帰的にあるいは階層的に合成するが、近年の視覚言語モデル(VLM)ベースのジェネレータは、フルレイアウトを一度に計画するワンショットパラダイムを主に採用している。
このワンショットアプローチでは、インタラクティブな編集(例えば、挿入や移動オブジェクト)中にグローバルな再最適化や完全な再構築が必要になることが多く、物理的または意味的に不十分な配置につながる可能性がある。
これらの課題に対処するために,VLMをベースとしたプログレッシブ推論フレームワークThinkBLOXを提案する。
ThinkBLOXは、レイアウト生成を状態条件付き、ステップバイステップの推論とアクションプロセスとして扱う。
そこで我々はThinkBLOX-Data-200Kデータセットを構築し、224,757のプロシージャ配置ペアをマルチビューシーンコンテキストにアノテートし、CoT(Chain-of-Thought)論理を明示し、JSONレイアウトを構造化した。
このデータセットの教師付き微調整(SFT)を通じて、VLMはインクリメンタルアップデートの下で推論とアクションのギャップを埋めることを学ぶ。
さらに、シーン合成が本質的にSFTが報酬相反に苦しむマルチソリューションタスクであることを認識し、ティアデカップリングGDPOを紹介する。
この強化学習スキームは、不均一報酬を異なる階層に整理し、物理的妥当性、意味的妥当性、推論-行動整合性を越えてポリシー最適化を安定化する。
大規模な実験により、ThinkBLOXは最近の一発的および反復的ベースラインにおいて、物理的な可視性、セマンティックアライメント、インタラクティブな編集性において著しく優れていた。
さらに,グローバルかつローカルな3Dシーンの生成と再構成など,多様なアプリケーションをサポートすることを示す。
関連論文リスト
- Dynamic-Robust Photometric-Semantic Reconstruction for Open-Vocabulary 3D Scene Understanding [63.599342750566485]
SPARは、潜在空間アグリゲーションの前に過渡的ダイナミックノイズを明示的に分離する新しい意味幾何学的エンコーディングアーキテクチャである。
エンド・ツー・エンドのアプローチは例外的な新規なビュー合成品質を実現し、PSNRは22.15dB、23.33dBでそれぞれ3と4の入力ビューしか与えられなかった。
論文 参考訳（メタデータ） (2026-08-29T09:58:24Z) - Global Graph-Validated Optimization for VLM-based 3D Indoor Scene Generation [15.117449876348774]
オープンボキャブラリー3D屋内レイアウト生成について検討し、ラベルのない3D言語命令から様々な物理的に可視なシーンを合成する。
本手法は,オープンな3次元屋内レイアウト生成における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-08-04T03:24:09Z) - SceneConductor: 3D Scene Generation from a Single Image with Multi-Agent Orchestration [32.39337008619354]
単一画像の3Dシーン生成を3つの構造化ステージに分解するマルチエージェントオーケストレーションフレームワークを提案する。
ポイントマップから導出される疎幾何学的事前情報によって教師される幾何学的レイアウト予測器を提案する。
本手法は,幾何学的精度,空間的整合性,知覚的リアリズムにおいて,従来手法よりも常に優れていた。
論文 参考訳（メタデータ） (2026-06-07T01:38:39Z) - SceneReVis: A Self-Reflective Vision-Grounded Framework for 3D Indoor Scene Synthesis via Multi-turn RL [18.967658906855466]
現行のワンパス3Dシーン合成法は、議論的推論の欠如により、衝突などの空間幻覚に悩まされることが多い。
SceneReVisは、空間的衝突を明示的にインターセプトし解決するために反復的な診断と対処のループを利用する視覚的な自己回帰フレームワークである。
そこで我々は,2段階のトレーニングレシピを提案し,モデルからアクティブな空間プランナへと進化させた。
論文 参考訳（メタデータ） (2026-02-10T05:55:56Z) - StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。
最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。
結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
論文 参考訳（メタデータ） (2026-01-12T15:41:27Z) - DisCo-Layout: Disentangling and Coordinating Semantic and Physical Refinement in a Multi-Agent Framework for 3D Indoor Layout Synthesis [76.7196710324494]
3次元屋内レイアウト合成は仮想環境構築に不可欠である。
DisCoは、物理的および意味的な洗練を歪め、調整する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-10-02T16:30:37Z) - MetaSpatial: Reinforcing 3D Spatial Reasoning in VLMs for the Metaverse [8.249725689628923]
視覚言語モデル(VLM)における3次元空間推論の強化を目的とした,最初の強化学習ベースのフレームワークであるMetaSpatialを提案する。
我々のキーとなる革新はマルチターン RL ベースの最適化機構で、物理認識の制約とレンダリングされた画像評価を統合し、生成した3Dレイアウトが整合的で、物理的に妥当で、審美的に整合していることを保証する。
論文 参考訳（メタデータ） (2025-03-24T09:18:01Z) - DeBaRA: Denoising-Based 3D Room Arrangement Generation [22.96293773013579]
有界環境における正確で制御可能で柔軟なアレンジメント生成に適したスコアベースモデルであるDeBaRAを紹介する。
本研究では,オブジェクトの空間特性に着目して,シーン合成や完了,再配置など,複数のダウンストリームアプリケーションを実行するために,単一トレーニングされたDeBaRAモデルをテスト時に活用できることを実証する。
論文 参考訳（メタデータ） (2024-09-26T23:18:25Z) - Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。
提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
論文 参考訳（メタデータ） (2024-07-02T09:11:17Z) - 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) - Constructing Holistic Spatio-Temporal Scene Graph for Video Semantic
Role Labeling [96.64607294592062]
Video Semantic Label Roleing (VidSRL)は、与えられたビデオから健全なイベントを検出することを目的としている。
近年、VidSRLの手法が提案されているが、2つの重要な欠点を負う可能性がある。
論文 参考訳（メタデータ） (2023-08-09T17:20:14Z) - SCFusion: Real-time Incremental Scene Reconstruction with Semantic
Completion [86.77318031029404]
本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。
我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
論文 参考訳（メタデータ） (2020-10-26T15:31:52Z)
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。