論文の概要: StyleForge: Indoor Furniture Styling by Counterfactual Reasoning in a Hypergraph Field
- arxiv url: http://arxiv.org/abs/2608.01954v1
- Date: Mon, 03 Aug 2026 09:25:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.467891
- Title: StyleForge: Indoor Furniture Styling by Counterfactual Reasoning in a Hypergraph Field
- Title（参考訳）: スタイルフォワード:ハイパーグラフ場における非現実的推論による室内家具のスタイリング
- Abstract要約: StyleForgeは動的ハイパーグラフスタイルのフィールド上に構築されたシーンレベルの構造化された選択フレームワークである。
凍結されたマルチモーダルな大言語モデルは、オープンなスタイル要求から構造化されたスタイル先行を抽出する。
StyleForgeは各家具スロットに対して学習可能な候補分布を維持している。
- 参考スコア（独自算出の注目度）: 23.739954565855985
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fixed-layout indoor furniture styling requires selecting assets that form a coherent room without changing the prescribed furniture categories, positions, orientations, or scales. Existing approaches typically retrieve each asset independently or rely on static local relations, making them prone to shape, material, and color conflicts after scene composition. We introduce StyleForge, a scene-level structured selection framework built on a dynamic hypergraph style field. A frozen multimodal large language model extracts structured style priors from an open-ended style request and the fixed layout, while StyleForge maintains a learnable candidate distribution for each furniture slot. Conditioned on the target style, the dynamic hypergraph style field adaptively activates and weights layout-induced hyperedges to capture higher-order dependencies among furniture. Counterfactual style preference learning then treats each candidate as a local substitution in the current style field and evaluates its contextual compatibility using Mahalanobis energies. Training alternates between optimizing the style field and the candidate logits. At inference, the model remains frozen and test-time training updates only room-specific candidate logits, progressively correcting cross-slot style conflicts as the global scene context evolves. Experiments on 3D-FRONT demonstrate state-of-the-art furniture retrieval and scene-level style coherence, producing more coherent fixed-layout furniture arrangements than object- and scene-level retrieval baselines.
- Abstract（参考訳）: 固定レイアウトの室内家具スタイリングでは、所定の家具カテゴリー、位置、方向、スケールを変更することなく、コヒーレントな部屋を形成する資産を選択する必要がある。
既存のアプローチは、通常、個々のアセットを独立して取得するか、静的な局所関係に依存し、シーン構成後の形状、素材、色相の衝突を生じやすくする。
動的ハイパーグラフスタイルのフィールド上に構築されたシーンレベルの構造化選択フレームワークであるStyleForgeを紹介する。
凍結されたマルチモーダル大言語モデルは、オープンエンドスタイル要求と固定レイアウトから構造化されたスタイル先行を抽出し、StyleForgeは各家具スロットに対して学習可能な候補分布を保持する。
動的ハイパーグラフスタイルフィールドは、ターゲットスタイルに基づいて、家具間の高次依存関係を捉えるために、レイアウトによって引き起こされるハイパーエッジを適応的に活性化し、重み付けする。
対実的スタイル選好学習は、各候補を現在のスタイル分野における局所的な置換として扱い、マハラノビスエネルギーを用いてその文脈的適合性を評価する。
トレーニングはスタイルフィールドと候補ロジットの最適化を交互に行う。
推論では、モデルは凍結状態のままであり、テストタイムトレーニングでは、ルーム固有の候補ログのみを更新し、グローバルなシーンコンテキストが進化するにつれて、クロススロットスタイルのコンフリクトを段階的に修正する。
3D-FRONTの実験では、最先端の家具の検索とシーンレベルのコヒーレンスを実証し、オブジェクトやシーンレベルの検索ベースラインよりも一貫性のある固定レイアウトの家具アレンジを作成できる。
関連論文リスト
- FlowScene: Style-Consistent Indoor Scene Generation with Multimodal Graph Rectified Flow [52.01563659850181]
FlowSceneはグラフベースのシーン生成モデルで、シーンレイアウト、オブジェクト形状、オブジェクトテクスチャを協調的に生成する。
コアには、生成時にオブジェクト情報を交換する密結合整流モデルがあり、グラフ全体の協調推論を可能にする。
大規模な実験により、FlowSceneは、生成リアリズム、スタイルの整合性、人間の好みとの整合性という点で、言語条件とグラフ条件ベースラインの両方を上回ります。
論文 参考訳（メタデータ） (2026-03-20T03:15:42Z) - Mixture of Style Experts for Diverse Image Stylization [73.7600741657193]
StyleExpertは、Mixture of Experts (MoE)をベースにしたセマンティックアウェアフレームワークである
我々のフレームワークは、コンテンツスタイルのスタイリング三重項の大規模データセットに基づいて訓練された統一型スタイルエンコーダを使用している。
本手法は, 浅いテクスチャから深いセマンティクスまで, 複数のセマンティクスレベルにまたがる多様なスタイルを扱う。
論文 参考訳（メタデータ） (2026-03-17T15:20:19Z) - ClusterStyle: Modeling Intra-Style Diversity with Prototypical Clustering for Stylized Motion Generation [33.75564496181951]
本稿では,クラスタリングベースのフレームワークであるClusterStyleを提案する。
プロトタイプの集合を利用して、同じスタイルカテゴリに属する動きをまたいだ多様なスタイルパターンをモデル化する。
提案手法は,スタイル化された動作生成と動作スタイルの伝達において,既存の最先端モデルよりも優れている。
論文 参考訳（メタデータ） (2025-12-02T06:24:14Z) - ReStyle3D: Scene-Level Appearance Transfer with Semantic Correspondences [33.06053818091165]
ReStyle3Dは、シーンレベルの外観を1つのスタイルのイメージから、複数のビューで表現された現実世界のシーンに転送するためのフレームワークである。
明示的な意味対応と多視点整合性を組み合わせることで、正確で一貫性のあるスタイリングを実現する。
私たちのコード、事前訓練されたモデル、データセットは、インテリアデザイン、仮想ステージング、そして3D一貫性のあるスタイリングにおける新しいアプリケーションをサポートするために、公開されます。
論文 参考訳（メタデータ） (2025-02-14T18:54:21Z) - StyleDistance: Stronger Content-Independent Style Embeddings with Synthetic Parallel Examples [48.44036251656947]
スタイル表現は、内容に関係なく、類似した書体スタイルのテキストを密に埋め込み、異なる書体スタイルのテキストを遠くに埋め込むことを目的としている。
より強力なコンテンツに依存しないスタイル埋め込みをトレーニングするための新しいアプローチであるStyleDistanceを紹介する。
論文 参考訳（メタデータ） (2024-10-16T17:25:25Z) - ArtWeaver: Advanced Dynamic Style Integration via Diffusion Model [73.95608242322949]
Stylized Text-to-Image Generation (STIG)は、テキストプロンプトとスタイル参照画像から画像を生成することを目的としている。
我々は、事前訓練された安定拡散を利用して、誤解釈スタイルや一貫性のない意味論といった課題に対処する新しいフレームワーク、ArtWeaverを提案する。
論文 参考訳（メタデータ） (2024-05-24T07:19:40Z) - RoomDesigner: Encoding Anchor-latents for Style-consistent and
Shape-compatible Indoor Scene Generation [26.906174238830474]
室内シーン生成は、空間的に合理的なレイアウトで形状に整合したスタイルの家具配置を作成することを目的としている。
家具をアンカーラテント表現としてエンコードすることで,形状先行を室内シーン生成に組み込む2段階モデルを提案する。
論文 参考訳（メタデータ） (2023-10-16T03:05:19Z) - ParaGuide: Guided Diffusion Paraphrasers for Plug-and-Play Textual Style
Transfer [57.6482608202409]
テキストスタイル転送は、意味を保ちながらテキストのスタイル特性を変換するタスクである。
任意のスタイルに柔軟に適応できる汎用型転送のための新しい拡散型フレームワークを提案する。
本研究では,人的評価と自動評価の両面から,Enron Email Corpusの手法を検証するとともに,形式性,感情,さらにはオーサシップスタイルの伝達にも優れることを示す。
論文 参考訳（メタデータ） (2023-08-29T17:36:02Z) - Adversarial Style Augmentation for Domain Generalized Urban-Scene
Segmentation [120.96012935286913]
そこで本研究では,学習中にハードなスタイリング画像を生成可能な,新たな対向型拡張手法を提案する。
2つの合成から実のセマンティックセグメンテーションベンチマークの実験により、AdvStyleは目に見えない実領域におけるモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2022-07-11T14:01:25Z) - Image-Driven Furniture Style for Interactive 3D Scene Modeling [8.8561720398658]
内部スタイルは、色、幾何学、その他の視覚要素を含む規則に従う。
室内のシーン画像から家具のスタイル適合性を学習し,スタイル類似性タスクを高速に追跡する手法を提案する。
提案手法は,複数の3次元モデルスタイル適合性結果と,スタイル一貫性シーンをモデル化するための対話型システムを用いて実証する。
論文 参考訳（メタデータ） (2020-10-20T18:19:28Z) - Exploring Contextual Word-level Style Relevance for Unsupervised Style
Transfer [60.07283363509065]
教師なしのスタイル転送は、元のコンテンツを保持しながら入力文のスタイルを変更することを目的としている。
本稿では,各出力語がターゲットスタイルに関連性があることを活かした,新たな注目シーケンス・ツー・シーケンスモデルを提案する。
実験結果から,提案手法は転送精度とコンテンツ保存の両面から,最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-05T10:24:28Z)
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。