論文の概要: Learning an Interior Layout Policy in a Domain Specific Language Action Space
- arxiv url: http://arxiv.org/abs/2608.07547v1
- Date: Fri, 31 Jul 2026 09:28:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 01:32:04.564648
- Title: Learning an Interior Layout Policy in a Domain Specific Language Action Space
- Title（参考訳）: ドメイン固有言語行動空間における内部レイアウトポリシーの学習
- Abstract要約: 既存の方法は、部屋の条件を減らして3Dバウンディングボックスを粗くし、ドアや窓などの構造要素を無視することで、タスクを単純化することが多い。
本稿では、ドメイン固有言語()アクション空間の内部レイアウトポリシーを学習するための新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.7288373059475814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor scene layout generation is a challenging task in interior design. Existing methods often oversimplify the task by reducing room conditions to coarse 3D bounding boxes and neglecting structural elements such as doors and windows. More fundamentally, many prior approaches formulate spatial reasoning as direct coordinate prediction, thereby casting interior layout design as continuous regression over raw geometric parameters, which hinders the model from learning the underlying reasoning logic of intelligent layout design. We propose \textbf{LayoutDSL}, a novel LLM-based framework for learning an interior layout policy in a domain-specific language (DSL) action space. The DSL provides an explicit symbolic representation of layout information and serves as a structured action space for layout reasoning, where each action corresponds to an interpretable design decision. Under this DSL-based policy learning paradigm, we construct 3D-FrontDSL, a dataset of room-structure annotations paired with synthetic DSL action sequences for supervised fine-tuning. To promote a more generalizable and scalable policy with verifiable feedback, we design rewards grounded in interior design principles and physical plausibility, and optimize the policy via reinforcement learning. Extensive experiments demonstrate that LayoutDSL substantially improves spatial plausibility and design logicality over strong baselines and existing methods.
- Abstract（参考訳）: 屋内シーンレイアウト生成はインテリアデザインにおいて難しい課題である。
既存の方法は、部屋の条件を減らして3Dバウンディングボックスを粗くし、ドアや窓などの構造要素を無視することで、タスクを単純化することが多い。
より根本的には、多くの先行的なアプローチは、空間的推論を直接的な座標予測として定式化し、内部レイアウト設計を生の幾何学的パラメータよりも連続的な回帰として配置することで、インテリジェントレイアウト設計の基礎となる推論ロジックの学習を妨げる。
本稿では、ドメイン固有言語(DSL)のアクション空間の内部レイアウトポリシーを学習するための、新しいLLMベースのフレームワークである「textbf{LayoutDSL}」を提案する。
DSLはレイアウト情報の明示的なシンボル表現を提供し、レイアウト推論のための構造化されたアクション空間として機能し、各アクションは解釈可能な設計決定に対応する。
このDSLベースのポリシー学習パラダイムの下で、教師付き微調整のための合成DSLアクションシーケンスと組み合わせた部屋構造アノテーションのデータセットである3D-FrontDSLを構築した。
より汎用的でスケーラブルなポリシーを検証可能なフィードバックで推進するために、内部設計原則と物理的妥当性に基づく報酬を設計し、強化学習を通じてポリシーを最適化する。
大規模な実験により、LayoutDSLは強いベースラインや既存の手法よりも空間的妥当性と設計論理性を大幅に改善することが示された。
関連論文リスト
- SDesc3D: Towards Layout-Aware 3D Indoor Scene Generation from Short Descriptions [71.54559024212976]
短いテキスト記述を前提とした室内3次元シーン生成は,インタラクティブな3次元環境構築に有望な道を提供する。
既存の作品は、そのような意味的凝縮の場合、身体的妥当性の低下と詳細性の不足に悩まされている。
SDesc3Dは,マルチビュー構造と地域機能を考慮した,短文条件付き屋内シーン生成フレームワークである。
論文 参考訳（メタデータ） (2026-04-02T12:33:01Z) - From Pixels to Policies: Reinforcing Spatial Reasoning in Language Models for Content-Aware Layout Design [21.929198075025187]
LaySPAは、コンテンツ対応グラフィックレイアウト設計のための強化学習フレームワークである。
画素レベルでの操作の代わりに、構造化されたテキスト空間環境上でのポリシー学習問題としてレイアウト設計を再構成する。
LaySPAは、解釈可能な推論トレースと構造化レイアウト仕様を含む二重レベル出力を生成する。
論文 参考訳（メタデータ） (2026-02-14T22:31:49Z) - 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) - LLMs as Layout Designers: Enhanced Spatial Reasoning for Content-Aware Layout Generation [27.377286708795506]
LaySPAは、レイアウト設計のための空間的推論機能を備えた大規模言語モデルを強化する強化学習ベースのフレームワークである。
また,LaySPAは構造的に有効かつ視覚的に魅力的なレイアウトの生成を大幅に改善することを示した。
論文 参考訳（メタデータ） (2025-09-21T03:02:59Z) - FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。
このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
論文 参考訳（メタデータ） (2025-07-10T11:16:48Z) - RoomCraft: Controllable and Complete 3D Indoor Scene Generation [51.19602078504066]
RoomCraftは、実際の画像、スケッチ、テキスト記述をコヒーレントな3D屋内シーンに変換するマルチステージパイプラインである。
このアプローチでは,シーン生成パイプラインと制約駆動最適化フレームワークを組み合わせる。
RoomCraftは、リアルでセマンティックなコヒーレントで視覚的に魅力的な部屋レイアウトを生成する上で、既存の方法よりもはるかに優れています。
論文 参考訳（メタデータ） (2025-06-27T15:03:17Z) - Direct Numerical Layout Generation for 3D Indoor Scene Synthesis via Spatial Reasoning [30.400355766831307]
3D屋内シーン合成は、AIとデジタルコンテンツ作成の具体化に不可欠である。
既存のメソッドは、オープン語彙であり、きめ細かいユーザー指示に一致したシーンを生成するのに失敗する。
テキスト記述から数値的な3Dレイアウトを直接生成するフレームワークであるDirectを導入する。
論文 参考訳（メタデータ） (2025-06-05T17:59:42Z) - LayoutVLM: Differentiable Optimization of 3D Layout via Vision-Language Models [57.92316645992816]
空間的推論は人間の認知の基本的側面であり、三次元空間における物体の直感的な理解と操作を可能にする。
視覚言語モデル(VLM)のセマンティック知識を活用するフレームワークおよびシーンレイアウト表現であるLayoutVLMを紹介する。
本稿では,既存のシーンデータセットから抽出したシーンレイアウト表現を用いた微調整VLMによる推論性能の向上を実証する。
論文 参考訳（メタデータ） (2024-12-03T06:15:04Z) - LLplace: The 3D Indoor Scene Layout Generation and Editing via Large Language Model [58.24851949945434]
LLplace は軽量な微調整のオープンソース LLM Llama3 に基づく新しい3D屋内シーンレイアウトデザイナである。
LLplaceは、空間的関係の先行とコンテキスト内例の必要性を回避し、効率的で信頼性の高い部屋レイアウト生成を可能にする。
提案手法は,高品質な3D設計ソリューションを実現する上で,LLplaceがインタラクティブに3D屋内レイアウトを効果的に生成・編集できることを示す。
論文 参考訳（メタデータ） (2024-06-06T08:53:01Z)
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。