論文の概要: OuroReward: Sequential Reward Scheduling for Reinforcement Learning in Text-to-3D Generation

• arxiv url: http://arxiv.org/abs/2610.03423v1
• Date: Fri, 02 Oct 2026 15:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.435839
• Title: OuroReward: Sequential Reward Scheduling for Reinforcement Learning in Text-to-3D Generation
• Title（参考訳）: OuroReward: テキストから3次元生成における強化学習のための逐次リワードスケジューリング
• Abstract要約: テキスト・トゥ・3D(T23D)生成のための強化学習(RL)には、複数の品質次元にわたる最適化が必要である。 OuroRewardは、T23D RLの逐次報酬スケジューリング戦略である。 AdaSelectはアダプティブなプロンプト選択戦略であり、モデルの現在の能力に合わせて信頼性と情報的プロンプトを特定する。
• 参考スコア（独自算出の注目度）: 33.90038349612204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning (RL) for Text-to-3D (T23D) generation requires optimization across multiple quality dimensions such as semantic alignment and texture clarity. Existing methods typically optimize these dimensions simultaneously through multiple reward aggregation, without explicitly modeling inter-dimension dependencies. This can cause imbalanced optimization and persistent interference among conflicting dimensions. To address this limitation, we propose OuroReward, an interference-aware sequential reward scheduling strategy for T23D RL. OuroReward first estimates pairwise dependencies among dimensions and constructs a cyclic optimization path that minimizes cumulative interference. By incorporating the tail-to-head dependency, the cycle captures global compatibility across the entire schedule. Then, OuroReward converts the cycle into a one-pass sequence, and starts optimization from the dimension with the lowest aggregate interference. Rather than assigning a fixed optimization budget to each dimension-wise reward, training adaptively determines when to advance to the next reward according to the remaining optimization headroom of the current one. We further introduce AdaSelect, an adaptive prompt selection strategy that identifies reliable and informative prompts aligned with the model's current capability. By focusing policy updates on these prompts, AdaSelect effectively improves training stability. Extensive experiments across different T23D models and RL algorithms demonstrate that our framework consistently improves generation quality across multiple dimensions.
• Abstract（参考訳）: テキスト・トゥ・3D(T23D)生成のための強化学習(RL)は、セマンティックアライメントやテクスチャの明確さなど、複数の品質次元にまたがる最適化を必要とする。 既存のメソッドは通常、複数の報酬アグリゲーションを通じてこれらの次元を同時に最適化する。 これは矛盾する次元間で不均衡な最適化と永続的な干渉を引き起こす可能性がある。 この制限に対処するため,T23D RLの逐次報酬スケジューリング戦略であるOuroRewardを提案する。 OuroRewardはまず次元間の相互依存関係を推定し、累積干渉を最小限に抑える循環最適化経路を構築する。 テール・ツー・ヘッドの依存関係を組み込むことで、サイクルはスケジュール全体にわたってグローバルな互換性を捉えます。 次に、OuroRewardはサイクルを1パスのシーケンスに変換し、最も低い集約的干渉で次元から最適化を開始する。 トレーニングは、固定最適化予算を各次元の報酬に割り当てるのではなく、現在の最適化ヘッドルームの残量に応じて次の報酬に進むタイミングを適応的に決定する。 さらに,AdaSelectという適応的なプロンプト選択戦略を導入し,モデルの現在の能力に適合した信頼性と情報的プロンプトを識別する。 これらのプロンプトにポリシー更新を集中させることで、AdaSelectはトレーニングの安定性を効果的に改善する。 異なるT23DモデルとRLアルゴリズムにわたる大規模な実験により、我々のフレームワークは複数の次元にわたる生成品質を一貫して改善することを示した。

関連論文リスト

• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• Learn2Splat: Extending the Horizon of Learned 3DGS Optimization [53.913063313338874]
  補助機構を使わずに地平線上における劣化を回避できる3DGSの学習手法を提案する。 その結果、長い地平線上で安定しながら、新しいビュークオリティを向上し、ゼロショットの一般化により、見当たらないリコンストラクション設定を実現した。
  論文  参考訳（メタデータ） (2026-05-15T09:21:29Z)
• Neural Network Optimization Reimagined: Decoupled Techniques for Scratch and Fine-Tuning [49.751529745537546]
  我々はDualOptを提案する。DualOptは、スクラッチからトレーニングに適した最適化技術を分離する新しいアプローチである。 スクラッチからのトレーニングでは、収束と一般化の両面を強化するために設計されたリアルタイムな層ワイド・ウェイト・デポジットを導入する。 我々は、異なる下流タスクの様々な要求に適応して、レイヤ単位の重量減衰を拡張して、レイヤ間のロールバックレベルを動的に調整する。
  論文  参考訳（メタデータ） (2026-04-21T06:27:18Z)
• Beyond One-Size-Fits-All: Adaptive Test-Time Augmentation for Sequential Recommendation [3.873910497341511]
  テスト時間の増大は、シーケンシャルなレコメンデーションにおいてデータの分散を緩和するための有望なアプローチとなっている。 既存のTTAメソッドは通常、一様でユーザに依存しない拡張戦略に依存している。 AdaTTAはシーケンスごとにシーケンス固有の拡張演算子を選択することを学習する。
  論文  参考訳（メタデータ） (2026-04-17T14:56:29Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Neural Network Training via Stochastic Alternating Minimization with Trainable Step Sizes [3.246129789918632]
  ディープニューラルネットワークのトレーニングは本質的に非最適化問題である。 勾配降下(SGD)のような標準的なアプローチでは、パラメータを同時に更新する必要がある。 そこで本研究では,SAMTを用いた列車最小化手法を提案する。 SAMTは、最先端のメソッドに比べて、パラメータ更新が少なく、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-08-06T08:23:38Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• Multi-objective Reinforcement Learning with Nonlinear Preferences: Provable Approximation for Maximizing Expected Scalarized Return [1.3162012586770577]
  軌道上の非線形選好を用いた多目的強化学習について検討した。 非線形最適化のためのベルマン最適性の拡張形式を導出する。 アルゴリズムによって計算される最適ポリシーと代替基準との間には,かなりのギャップがあることが示される。
  論文  参考訳（メタデータ） (2023-11-05T02:11:07Z)
• Deep-3DAligner: Unsupervised 3D Point Set Registration Network With Optimizable Latent Vector [15.900382629390297]
  本稿では,3次元登録における技術的課題に対処するために,学習に最適化を統合する新しいモデルを提案する。 ディープトランスフォーメーションデコーディングネットワークに加えて、我々のフレームワークは最適化可能なディープアンダーラインSpatial UnderlineCorrelation UnderlineRepresentationを導入している。
  論文  参考訳（メタデータ） (2020-09-29T22:44:38Z)

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。