論文の概要: SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout Evolution
- arxiv url: http://arxiv.org/abs/2609.05594v1
- Date: Fri, 04 Sep 2026 17:45:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 13:09:55.770857
- Title: SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout Evolution
- Title（参考訳）: シーンモザイク: ハイブリッドエージェントレイアウト進化による効率的・多変量シミュレーション対応シーン生成
- Abstract要約: SceneMosaicは、単一の入力に対して多様なシーンを生成するフレームワークである。
シーンモザイクは自然のシーンの局所性を生かし、シーンを独立したローカルユニットに分解する。
SceneEval-100では、SceneMosaicはセマンティックレイアウトの品質において最強のエージェントベースラインと24倍のスピードアップで一致している。
- 参考スコア（独自算出の注目度）: 13.70702214045688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diverse and simulation-ready indoor scenes are essential for interactive entertainment and embodied AI, yet their scalable generation remains challenging. Recent agentic text-to-3D scene pipelines that rely on vision-language models (VLMs) can generate scenes of high fidelity but require costly iterative object placement and refinement. Another mainstream paradigm, parametric image-to-3D scene models, produces scenes efficiently from strong priors learned from 2D images but often leads to imprecise and physically invalid scenes. More importantly, both paradigms struggle to output diverse scenes for a single input, making it hard for them to reflect the dynamically changing nature of real scenes. In this paper we propose \textbf{SceneMosaic}, a framework that combines the merits of both paradigms. It obtains the initial candidate from the learned image-based prior, and subsequently evolves the result through VLM agents, ensuring both efficiency and physical validity. Within the evolution process, SceneMosaic exploits the locality of natural scenes and decomposes a scene into independent local units, allowing separate evolution within each unit before composing the global scene via Cartesian product. On SceneEval-100, SceneMosaic matches the strongest agentic baseline in semantic layout quality with a 24x speedup, substantially reduces physical violations, and receives the highest human ratings. Our code is publicly available at https://github.com/rxjfighting/SceneMosaic.
- Abstract（参考訳）: インタラクティブなエンターテイメントや具現化されたAIには、さまざまなシミュレーション可能な屋内シーンが不可欠だが、そのスケーラブルな生成は依然として難しい。
視覚言語モデル(VLM)に依存する最近のエージェントテキストから3Dシーンパイプラインは、高い忠実さのシーンを生成することができるが、コストのかかる反復的なオブジェクト配置と改善が必要である。
もう一つの主流パラダイムであるパラメトリック画像から3Dシーンモデルでは、2D画像から学んだ強い先行シーンから効率よくシーンを生成するが、しばしば不正確で物理的に無効なシーンに繋がる。
さらに重要なことは、両方のパラダイムは単一の入力に対して多様なシーンを出力するのに苦労しているため、実際のシーンの動的に変化する性質を反映することは困難である。
本稿では,両パラダイムのメリットを組み合わせたフレームワークである「textbf{SceneMosaic}」を提案する。
学習した画像に基づいて初期候補を取得し、その後VLMエージェントを通じて結果を進化させ、効率性と物理的妥当性を両立させる。
進化過程の中では、SceneMosaicは自然のシーンの局所性を生かし、シーンを独立した局所単位に分解し、世界的シーンを構成する前に各ユニット内で別々の進化を可能にする。
SceneEval-100では、SceneMosaicはセマンティックレイアウトの質において最強のエージェントベースラインを24倍のスピードアップで一致させ、物理的違反を大幅に減らし、高い評価を受けている。
私たちのコードはhttps://github.com/rxjfighting/SceneMosaic.comで公開されています。
関連論文リスト
- SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation [50.175987640001644]
テキストから動的に編集可能な4Dシーンを生成するマルチエージェントフレームワークであるSimWorldsを紹介する。
また,プロシージャのダイナミックな3Dシーンの視覚的忠実度と身体的整合性を評価するベンチマークである4DBuildBenchも導入した。
論文 参考訳（メタデータ） (2026-07-02T06:29:18Z) - SceneAssistant: A Visual Feedback Agent for Open-Vocabulary 3D Scene Generation [27.16255874731512]
オープンな3Dシーン生成用に設計されたビジュアルフィードバック駆動エージェントであるSceneAssistantを紹介する。
我々のフレームワークは、視覚言語モデルの空間的推論と計画能力とともに、現代の3次元オブジェクト生成モデルを活用する。
提案手法では,エージェントに対して,自然言語コマンドに基づいて既存のシーンを編集するように指示することができる。
論文 参考訳（メタデータ） (2026-03-12T17:55:07Z) - SceMoS: Scene-Aware 3D Human Motion Synthesis by Planning with Geometry-Grounded Tokens [89.05195827071582]
SceMoSはシーン対応モーション合成フレームワークである。
軽量な2Dキューを使用して、グローバルプランニングをローカル実行から切り離す。
SceMoSはTRUMANSベンチマークで最先端のモーションリアリズムと接触精度を達成する。
論文 参考訳（メタデータ） (2026-02-24T02:09:12Z) - CineScene: Implicit 3D as Effective Scene Representation for Cinematic Video Generation [65.03946626081036]
映像生成に暗黙的な3D認識シーン表現を活用するフレームワークであるCineSceneを提案する。
CineSceneは、シーン一貫性のある映像生成において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-06T18:59:24Z) - RoamScene3D: Immersive Text-to-3D Scene Generation via Adaptive Object-aware Roaming [79.81527946524098]
RoamScene3Dはセマンティックガイダンスと空間生成のギャップを埋める新しいフレームワークである。
我々は、オブジェクト関係を符号化するシーングラフを構築するために、視覚言語モデル(VLM)を用いる。
静的な2Dプリミティブの制約を軽減するため、合成パノラマデータセットに微調整されたモーションインジェクトインペインティングモデルを導入する。
論文 参考訳（メタデータ） (2026-01-27T10:10:55Z) - SceneAdapt: Scene-aware Adaptation of Human Motion Diffusion [74.70024991949269]
テキスト条件付モーションモデルにシーン認識を注入するフレームワークであるSceneAdaptを紹介する。
主要なアイデアは、2つの異なるデータセットをブリッジするプロキシタスクとして、テキストなしで学習可能なモーションインテリシングを使用することだ。
その結果,SceneAdaptはシーン認識をテキスト・トゥ・モーション・モデルに効果的に注入することがわかった。
論文 参考訳（メタデータ） (2025-10-14T23:42:10Z) - SceneWeaver: All-in-One 3D Scene Synthesis with an Extensible and Self-Reflective Agent [28.12183839499528]
SceneWeaverは、ツールベースの反復改善を通じて多様なシーン合成パラダイムを統合するフレームワークである。
セマンティックな矛盾を特定し、ターゲットとするツールを呼び出し、連続したイテレーションで環境を更新できる。
多様な指示で複雑なシーンを効果的に一般化し、汎用的な3D環境生成への一歩を踏み出した。
論文 参考訳（メタデータ） (2025-09-24T09:06:41Z) - Video Perception Models for 3D Scene Synthesis [109.5543506037003]
VIPSceneは、ビデオ生成モデルにおける3D物理世界のエンコードされたコモンセンス知識を利用する新しいフレームワークである。
VIPSceneはビデオ生成、フィードフォワード3D再構成、オープン語彙認識モデルをシームレスに統合し、シーン内の各オブジェクトを意味的かつ幾何学的に分析する。
論文 参考訳（メタデータ） (2025-06-25T16:40:17Z) - Scenethesis: A Language and Vision Agentic Framework for 3D Scene Generation [36.44409268300039]
Scenethesisはテキストベースのシーンプランニングと視覚誘導レイアウトの改良を統合したフレームワークである。
多様な、現実的で、物理的に妥当な3Dインタラクティブなシーンを生成し、仮想コンテンツの作成、シミュレーション環境、そしてAI研究に価値がある。
論文 参考訳（メタデータ） (2025-05-05T17:59:58Z) - Generating Human Interaction Motions in Scenes with Text Control [66.74298145999909]
本稿では,デノナイズ拡散モデルに基づくテキスト制御されたシーン認識動作生成手法TeSMoを提案する。
我々のアプローチは、シーンに依存しないテキスト-モーション拡散モデルの事前学習から始まります。
トレーニングを容易にするため,シーン内に注釈付きナビゲーションと対話動作を組み込む。
論文 参考訳（メタデータ） (2024-04-16T16:04:38Z)
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。