Fugu-MT 論文翻訳(概要): HARMONY: Hierarchical Agentic Reasoning for MONocular Image-to-Scene Synthesis

論文の概要: HARMONY: Hierarchical Agentic Reasoning for MONocular Image-to-Scene Synthesis

arxiv url: http://arxiv.org/abs/2609.26793v1
Date: Tue, 22 Sep 2026 17:59:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 01:05:39.781842
Title: HARMONY: Hierarchical Agentic Reasoning for MONocular Image-to-Scene Synthesis
Title（参考訳）: HARMONY:単眼画像合成のための階層的エージェント推論
Abstract要約: 合成3Dシーン再構築のための階層的チェーン・オブ・シント・フレームワークであるHARMONYについて述べる。 Harmonyは、セマンティックに一貫性があり、参照画像と知覚的に一致した3Dシーンを生成することができる。
参考スコア（独自算出の注目度）: 41.820477513948575
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Compositional 3D scene reconstruction has recently been explored from two directions: agentic reasoning that provides semantic understanding of spatial relationships but lacks precise alignment with input images; and visual geometry foundation models that predict dense point maps from input images but the reconstruction quality is limited. Therefore, recovering a complete 3D scene from a single monocular image with accurate inter-object relationships and high-fidelity reconstruction quality remains challenging. In this paper, we present HARMONY, a hierarchical chain-of-thought framework that leverages both agentic reasoning and visual geometry foundation. Given an image of an indoor scene, starting from an empty 3D floorplan, HARMONY first calibrates the camera against the reference image to establish a semantically-grounded spatial frame, then uses agentic VLM reasoning to recover the 3D room layout and an initial placement order. It then places the objects in a hierarchical order, from wall-mounted elements, free-standing furniture, to dependent decorations on top of furniture. We also use depth-first traversal for furniture so each placement conditions on previously resolved structure and a reflective feedback loop to avoid error accumulation. After each object placement by VLM, we use the point cloud estimations to perform geometry-based refinement so that the rendered image aligns better with the input. HARMONY can produce 3D scenes that are semantically consistent and perceptually aligned with the reference image, extending single-image compositional reconstruction to complex indoor scene images. Experiments on synthetic and real-world images demonstrate that HARMONY outperforms the evaluated reconstruction baselines, while qualitative comparisons with GPT-6 Astra suggest more faithful object arrangements and better preservation of scene details.
Abstract（参考訳）: 空間的関係のセマンティックな理解を提供するが、入力画像との正確な整合性に欠けるエージェント推論と、入力画像から高密度点マップを予測するビジュアルジオメトリ基礎モデルである。したがって、オブジェクト間の正確な関係と高忠実度再構成品質を持つ単一の単眼画像から完全な3Dシーンを復元することは依然として困難である。本稿では,エージェント推論と視覚幾何学の基礎を両立させた階層型チェーン・オブ・シントフレームワークであるHARMONYを提案する。空の3Dフロアプランから始まる屋内シーンの画像が与えられた後、HARMONYはまずカメラを基準画像に対して校正し、セマンティックグラウンドの空間フレームを確立する。その後、壁のついた要素、自由な家具から家具の上の依存した装飾に至るまで、オブジェクトを階層的な順序で配置する。また, 家具の奥行き優先トラバーサルを用いて, 既解決構造上の各配置条件と反射フィードバックループを用いて, 誤差の蓄積を回避する。 VLMによる各オブジェクト配置の後、点雲推定を用いて幾何ベースの精細化を行い、描画された画像が入力とよりよく整合するようにする。 HARMONYは、セマンティックに一貫性があり、参照画像と知覚的に一致した3Dシーンを生成し、複雑な屋内シーン画像に単一画像の合成再構成を拡張できる。合成および実世界の画像の実験では、HARMONYは評価された復元基準よりも優れており、GPT-6 Astraとの質的な比較は、より忠実な物体配置とシーン詳細の保存を示唆している。

関連論文リスト

Fysiverse-3D-Vision Technical Report: Generating Executable 3D Worlds from Images through Unified Spatial Reasoning [62.09790533047924]
生成モデルは、高度な画像条件付き3Dコンテンツ生成が可能だが、単一の画像から制御可能で実行可能な3Dシーンを生成することは、依然として困難である。本研究では,Fysiverse-3D-Visionを提案する。Fysiverse-3D-Visionは1つの画像から生成した3次元シーンの再構成と実行可能アセット構築のための統合視覚言語-幾何学フレームワークである。本フレームワークは,既存の手法と比較して,幾何学的整合性,レイアウト推定,レンダリング品質,物理的特性の理解に優れる。
論文参考訳（メタデータ） (2026-09-22T06:22:31Z)
GOPI: Generation-Oriented 3D Pose Inference for Furniture Insertion from Single-View RGB-D Indoor Scenes [55.50433346262017]
室内シーン画像に新しい家具を挿入する問題について検討する。マスク付きシングルビュー2D画像平面条件付けでは、シーンに対する挿入家具の物理的スケールを一意に決定できない。我々は3次元ポーズ推論と幾何誘導画像生成の組み合わせでタスクを再構築する。
論文参考訳（メタデータ） (2026-08-07T05:54:47Z)
GARDEN: Gravity-Aligned Reconstruction of Disentangled ENvironments from RGB images [61.2170105836525]
本稿では,RGBのみのフレームワークを提案する。このフレームワークは,再構成を物理的に地上に配置したシーンファクタ化として再構成し,構造化されたハイブリッドシーン表現を出力する。結果として得られる表現は、明示的な剛体と分離された背景を組み合わせることで、視覚的リアリズムを維持しながら直接物理シミュレーションを可能にする。
論文参考訳（メタデータ） (2026-06-02T17:13:01Z)
DecoRec: Decomposed 3D Scene Reconstruction from Single-View Images via Object-Level Diffusion [65.65756111062005]
textitDecoRecは、単一のビュー2D画像を分解された3Dシーンメッシュに高めるように設計されたシステムである。以上の結果から,DecoRecはジオメトリと新規合成の両面において,高品質なワンビューシーン再構築を促進することが示唆された。
論文参考訳（メタデータ） (2026-05-16T04:23:48Z)
FurnSet: Exploiting Repeats for 3D Scene Reconstruction [3.948390930350905]
シングルビュー3Dシーン再構成は、オブジェクト形状と空間配置の両方を推測する。既存のメソッドは通常、オブジェクトを独立して再構築するか、暗黙のシーンコンテキストに依存します。 FurnSetは、繰り返しオブジェクトインスタンスを明示的に識別し、活用して再構築を改善するフレームワークである。
論文参考訳（メタデータ） (2026-04-22T01:27:13Z)
SCORP: Scene-Consistent Object Refinement via Proxy Generation and Tuning [46.441761732998536]
プロキシジェネレーションとチューニング(SCORP)によるシーン一貫性オブジェクトリファインメント(Scene-Consistent Object Refinement)について紹介する。 SCORP は、3D 生成に先立って細粒度なオブジェクトの形状と外観を復元する新しい3D拡張フレームワークである。これは、新しいビュー合成と幾何完成タスクの両方において、最近の最先端のベースラインに対して一貫した利得を達成する。
論文参考訳（メタデータ） (2025-06-30T13:26:21Z)
2L3: Lifting Imperfect Generated 2D Images into Accurate 3D [16.66666619143761]
マルチビュー(MV)3次元再構成は,生成したMV画像を一貫した3次元オブジェクトに融合させる,有望なソリューションである。しかし、生成された画像は、通常、一貫性のない照明、不整合幾何学、スパースビューに悩まされ、復元の質が低下する。本稿では, 内在的分解誘導, 過渡的モノ先行誘導, および3つの問題に対処するための視認性向上を活用する新しい3次元再構成フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-29T02:30:31Z)
Towards High-Fidelity Single-view Holistic Reconstruction of Indoor Scenes [50.317223783035075]
単視点画像から総合的な3次元屋内シーンを再構築するための新しい枠組みを提案する。詳細なオブジェクト再構成のためのインスタンス整列型暗黙関数(InstPIFu)を提案する。私たちのコードとモデルは公開されます。
論文参考訳（メタデータ） (2022-07-18T14:54:57Z)
Total3DUnderstanding: Joint Layout, Object Pose and Mesh Reconstruction for Indoor Scenes from a Single Image [24.99186733297264]
本研究では,単一画像から部屋レイアウト,オブジェクト境界ボックス,メッシュを共同で再構築するエンド・ツー・エンドのソリューションを提案する。本手法は,3成分からなる粗大な階層構造を提案する。 SUN RGB-D および Pix3D データセットを用いた実験により,本手法が既存手法より一貫して優れていることを示す。
論文参考訳（メタデータ） (2020-02-27T16:00:52Z)

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。