論文の概要: Bridging Language and Spherical Space: Object-Centric Control for Text-to-Panorama Generation

• arxiv url: http://arxiv.org/abs/2608.20691v1
• Date: Fri, 21 Aug 2026 02:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.355388
• Title: Bridging Language and Spherical Space: Object-Centric Control for Text-to-Panorama Generation
• Title（参考訳）: ブリッジ言語と球面空間:テキストからパノラマ生成のためのオブジェクト中心制御
• Abstract要約: PanoCtrlは、制御可能なテキストからパノラマ生成のためのオブジェクト中心のフレームワークである。 PanoParseはオブジェクトのセマンティクスと球面境界フィールド(BFoV)パラメータを予測する。 bftextPanoControlはオブジェクトレベルの意味と空間的ガイダンスを拡散トランスフォーマーに注入する。
• 参考スコア（独自算出の注目度）: 11.261397266224321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Panoramic image generation is increasingly important for immersive applications such as virtual reality, augmented reality, and 3D content creation. Unlike perspective images, panoramic images represent a viewer-centered $360^\circ$ surrounding space, where directional expressions such as left, right, front, and behind play a central role in spatial understanding. However, existing text-to-panorama methods largely rely on implicit spatial reasoning and often fail to faithfully ground object-level directional descriptions in spherical panoramic scenes. A straightforward alternative is to introduce explicit layouts, but requiring manually specified spatial conditions reduces the flexibility of language-based interaction and does not directly resolve the misalignment between egocentric directional language and panoramic image space. To address this issue, we propose PanoCtrl, an object-centric framework for controllable text-to-panorama generation. Our method explicitly bridges natural language and spherical panoramic space by converting textual descriptions into structured object-level spherical conditions and integrating them into the diffusion process. Specifically, we introduce PanoParse, a text-conditioned parser that predicts object semantics and spherical bounding field-of-view (BFoV) parameters, and \textbf{PanoControl}, which injects object-level semantic and spatial guidance into the diffusion transformer through object-aware attention and spatial residual enhancement. To support this task, we construct PanoGround, a dataset with object-level spherical annotations and diverse directional descriptions for controllable panoramic generation. Extensive experiments demonstrate that PanoCtrl achieves state-of-the-art performance in both spatial alignment and image quality.
• Abstract（参考訳）: パノラマ画像生成は、仮想現実、拡張現実、および3Dコンテンツ作成のような没入型アプリケーションにとってますます重要になっている。 視点画像とは異なり、パノラマ画像は視聴者中心の360^\circ$空間を表し、左、右、前、後ろといった方向表現は空間的理解において中心的な役割を果たす。 しかし、既存のテキスト・トゥ・パノラマ法は暗黙の空間的推論に大きく依存しており、しばしば球面パノラマシーンにおける対象レベルの方向記述を忠実に根拠づけることに失敗する。 簡単な方法は、明示的なレイアウトを導入することであるが、手動で指定された空間条件を必要とすると、言語ベースの相互作用の柔軟性が低下し、エゴセントリックな方向言語とパノラマ画像空間とのミスアライメントを直接解決しない。 この問題に対処するため,PanoCtrlを提案する。 本手法は,テキスト記述を構造化対象の球面状態に変換し,拡散過程に統合することにより,自然言語と球面パノラマ空間を明示的にブリッジする。 具体的には、オブジェクトのセマンティクスと球面境界フィールド(BFoV)パラメータを予測するテキスト条件のパーサであるPanoParseと、オブジェクトの注意と空間的残留性拡張を通じてオブジェクトレベルのセマンティクスと空間的ガイダンスを拡散トランスフォーマーに注入する \textbf{PanoControl} を紹介する。 このタスクを支援するために、オブジェクトレベルの球面アノテーションと、制御可能なパノラマ生成のための多様な方向記述を備えたデータセットであるPanoGroundを構築した。 広汎な実験により、パノCtrlは空間アライメントと画質の両方において最先端の性能を達成することが示された。

関連論文リスト

• SpatialGuard: Harness-Guided Verifiable Spatial Reasoning for Text-to-Image Generation [47.693838969607704]
  複雑な3次元空間テキストから画像生成には、自然言語を安定した視覚幾何学に変換するモデルが必要である。 本稿では,複雑な3次元空間テキスト・画像生成のための構造化レイアウト誘導フレームワークであるSpatialGuardを提案する。
  論文  参考訳（メタデータ） (2026-09-01T17:47:00Z)
• PanoWorld: Towards Spatial Supersensing in 360$^\circ$ Panorama World [20.19893789145407]
  本研究では, MLLMが連続的, 観測中心空間としての正方形射影パノラマを推論するために必要となるパノネイティブ理解について検討する。 球面形状を視覚ストリームに注入する球面空間交叉型パノワールドについて紹介する。 実験によると、PanoWorldはPanoSpace-Bench、H* Bench、R2R-CE Val-Unseenベンチマークにおいて、プロプライエタリベースラインとオープンソースベースラインの両方を大幅に上回っている。
  論文  参考訳（メタデータ） (2026-05-13T08:31:22Z)
• Talk2Move: Reinforcement Learning for Text-Instructed Object-Level Geometric Transformation in Scenes [69.4534914304302]
  本研究では,シーン内のオブジェクトのテキストによる空間変換を行うフレームワークであるTalk2Moveを紹介する。 Talk2Moveでは,さまざまなロールアウトを通じて幾何学的アクションを探索するために,グループ相対ポリシー最適化を採用している。 キュレートされたベンチマークの実験では、Talk2Moveは正確で一貫性があり、セマンティックに忠実なオブジェクト変換を実現している。
  論文  参考訳（メタデータ） (2026-01-05T18:55:32Z)
• PanoWorld-X: Generating Explorable Panoramic Worlds via Sphere-Aware Video Diffusion [87.13016347332943]
  PanoWorld-Xは、多彩なカメラ軌道を持つ高忠実で制御可能なパノラマビデオ生成のための新しいフレームワークである。 動作範囲,制御精度,視覚的品質など,様々な面で優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2025-09-29T16:22:00Z)
• DiffPano: Scalable and Consistent Text to Panorama Generation with Spherical Epipolar-Aware Diffusion [60.45000652592418]
  本稿では,テキスト駆動型パノラマ生成フレームワークDiffPanoを提案し,拡張性,一貫性,多様なパノラマシーン生成を実現する。 DiffPanoは、不明瞭なテキスト記述とカメラのポーズによって、一貫した多様なパノラマ画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:57:02Z)
• ST-LDM: A Universal Framework for Text-Grounded Object Generation in Real Images [9.906943507715779]
  テキストグラウンドドオブジェクト生成(TOG)と呼ばれる新しい画像編集シナリオを提案する。 本稿では,Swin-Transformerをベースとした汎用フレームワークST-LDMを提案する。 本モデルでは,拡散モデル固有の生成能力を保ちながら,注意機構の局所化を促進する。
  論文  参考訳（メタデータ） (2024-03-15T04:02:31Z)
• LAW-Diffusion: Complex Scene Generation by Diffusion with Layouts [107.11267074981905]
  LAW拡散(LAW-Diffusion)と呼ばれる意味制御可能なレイアウト・AWare拡散モデルを提案する。 LAW拡散は、特にコヒーレントな対象関係を持つ最先端の生成性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-08-13T08:06:18Z)
• PanoContext-Former: Panoramic Total Scene Understanding with a Transformer [37.51637352106841]
  パノラマ画像は、周囲の環境についてより深く理解し、より総合的な認識を可能にする。 本稿では,室内環境の総合的理解に先立って深度を用いた新しい手法を提案する。 さらに,写真リアリスティックパノラマ,高忠実度深度画像,正確にアノテートされた部屋レイアウト,配向オブジェクト境界ボックスや形状など,シーン理解のための実世界のデータセットを導入する。
  論文  参考訳（メタデータ） (2023-05-21T16:20:57Z)
• SpaText: Spatio-Textual Representation for Controllable Image Generation [61.89548017729586]
  SpaTextはオープン語彙シーン制御を用いたテキスト・ツー・イメージ生成の新しい手法である。 シーン全体を記述したグローバルテキストプロンプトに加えて、ユーザはセグメンテーションマップを提供する。 現状拡散モデルである画素ベースと潜在条件ベースでの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-25T18:59:10Z)
• DeepPanoContext: Panoramic 3D Scene Understanding with Holistic Scene Context Graph and Relation-based Optimization [66.25948693095604]
  本研究では,パノラマ画像から各オブジェクトの3次元空間配置と形状,ポーズ,位置,意味的カテゴリを復元するパノラマ3次元シーン理解手法を提案する。 実験により, この手法は, パノラマシーン理解において, 幾何学的精度とオブジェクト配置の両方の観点から, 既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-24T13:55:29Z)

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。