論文の概要: SPOON: Towards Coherent Compositional 3D Scene Generation from Uncalibrated Multi-view Images

• arxiv url: http://arxiv.org/abs/2609.39590v1
• Date: Wed, 30 Sep 2026 12:16:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.669107
• Title: SPOON: Towards Coherent Compositional 3D Scene Generation from Uncalibrated Multi-view Images
• Title（参考訳）: SPOON:非校正多視点画像からのコヒーレントな合成3次元シーン生成を目指して
• Abstract要約: 近年のイメージコンディショニング3Dジェネレータは, 高品質な物体形状を創出する上で, 強力な先行技術を提供する。 既存のアプローチでは、シーンレイアウトをオブジェクト生成で絡み合わせるか、ビュー固有の観測から空間配置を別々に推定する。 SPOONは、シーンレベルの幾何学的なポーズ推論として構成3D生成を再構成するフレームワークである。
• 参考スコア（独自算出の注目度）: 104.47984768244568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compositional 3D scene generation aims to recover complete 3D object shapes and their spatial arrangement from visual observations. Recent image-conditioned 3D generators provide strong priors for producing high-quality object geometry, making the generation of complex scenes increasingly practical. A central challenge is therefore to spatially organize these generated assets into a globally coherent scene while remaining consistent with multi-view observations. Existing approaches either entangle scene layout with object generation or separately estimate spatial placement from view-specific observations, where pose hypotheses may remain ambiguous and inconsistent across views, often resulting in an incoherent object-camera soup. We introduce SPOON, a framework that reformulates multi-view compositional 3D generation as scene-level, geometry-grounded pose reasoning. Rather than treating view-specific object pose hypotheses independently, SPOON coordinates them using reconstruction-derived multi-view geometry through a Guide-Route-Reconcile paradigm. This progressively organizes object poses and camera configurations into a coherent scene-level spatial arrangement. Extensive experiments on ARSG-110K and MIDI-3D-Front demonstrate consistent improvements in object placement and scene composition across varying numbers of input views. On ARSG-110K, SPOON reduces scene-level and object-level Chamfer distances by 12.7% and 17.7%, respectively, compared with a strong baseline.
• Abstract（参考訳）: 合成3Dシーン生成は、視覚的観察から完全な3Dオブジェクト形状と空間配置を復元することを目的としている。 近年のイメージコンディショニング3Dジェネレータは、高品質なオブジェクト形状を生成するための強力な先行技術を提供しており、複雑なシーンの生成がより現実的になる。 したがって、中心的な課題は、これらの生成された資産を多視点観測と整合しながら、グローバルな一貫性のあるシーンに空間的に整理することである。 既存のアプローチは、オブジェクト生成とシーンレイアウトを絡み合わせるか、ビュー固有の観察から空間配置を別々に推定する。 SPOONはシーンレベルの幾何学的ポーズ推論として多視点合成3D生成を再構成するフレームワークである。 SPOONは、ビュー固有のオブジェクトの仮説を独立に扱うのではなく、ガイド・ルート・リコンシェルのパラダイムを通じて、再構成から派生した多視点幾何学を用いてそれらを調整する。 これにより、オブジェクトのポーズやカメラの構成を、一貫性のあるシーンレベルの空間配置に徐々に整理する。 ARSG-110KとMIDI-3D-Frontの大規模な実験により、様々な入力ビューのオブジェクト配置とシーン構成が一貫した改善を示した。 ARSG-110Kでは、SPOONは、強いベースラインと比較して、シーンレベルとオブジェクトレベルのチャンファー距離をそれぞれ12.7%と17.7%削減する。

関連論文リスト

• HARMONY: Hierarchical Agentic Reasoning for MONocular Image-to-Scene Synthesis [41.820477513948575]
  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。
  論文  参考訳（メタデータ） (2026-09-22T17:59:47Z)
• 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)
• WorldSculpt: Generating Compositional Worlds from Grounded Videos [50.427204240556854]
  本研究では,数百個のオブジェクトを含む散在するシーンの合成3次元表現を生成する問題について検討する。 この課題は、物体が互いに強く干渉し合うような密集したシーンにおいて挑戦的であり、それぞれのビューはその幾何のごく一部しか明らかにしない。 多視点観察に先立ち、強い単物体3D生成を適応させることにより、数百個の物体からなる複雑なシーンを合成的に生成できることが示される。
  論文  参考訳（メタデータ） (2026-09-04T17:59:35Z)
• 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)
• 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)
• HiScene: Creating Hierarchical 3D Scenes with Isometric View Generation [50.206100327643284]
  HiSceneは、2D画像生成と3Dオブジェクト生成のギャップを埋める新しい階層的なフレームワークである。 構成構造を維持しながら2次元表現に整合した3次元コンテンツを生成する。
  論文  参考訳（メタデータ） (2025-04-17T16:33:39Z)

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。