論文の概要: ElasticFit: Fit-Aware 3D Object Insertion via VLM Reasoning and Generative Adaptation

• arxiv url: http://arxiv.org/abs/2610.07460v1
• Date: Mon, 05 Oct 2026 22:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.691573
• Title: ElasticFit: Fit-Aware 3D Object Insertion via VLM Reasoning and Generative Adaptation
• Title（参考訳）: ElasticFit: VLM推論と生成適応によるフィット対応3Dオブジェクト挿入
• Abstract要約: 適応型オブジェクト挿入のためのVLM誘導フレームワークである textbfElasticFit を紹介する。 対象物がどこに接地されるべきか、どの体積を占有するか、どのように指向するか、適応モードを指定する構造化されたフィッティングキューを推論する。 事前にシーン条件のオブジェクトを生成し、それを3Dで再構成し、衝突回避、接触一貫性、物理的接地を強制しながらモード固有のフィッティングによってメッシュを洗練する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inserting objects into existing 3D scenes requires more than selecting a plausible location: the inserted object must also fit local geometry while preserving semantic intent and physical plausibility. Although recent Vision-Language Models (VLMs) and generative models enable semantic reasoning and visual content creation, they offer limited 3D grounding and geometric control when an inserted object must fit into constrained local spaces. We introduce \textbf{ElasticFit}, a VLM-guided framework for fit-aware object insertion centered on a novel scene-grounded representation. Given a language instruction and rendered scene observations, ElasticFit infers structured fitting cues that specify where the object should be grounded, what volume it should occupy, how it should be oriented, and its adaptation mode (rigid placement, uniform scaling, or elastic fitting). These cues convert high-level VLM reasoning into explicit 3D constraints that condition object generation and guide downstream geometric fitting. ElasticFit then generates a scene-conditioned object prior, reconstructs it in 3D, and refines the mesh through mode-specific fitting while enforcing collision avoidance, contact consistency, and physical grounding. In fixed-asset baseline comparisons, ElasticFit improves spatial relation success from 50.8\% to 69.7\% and support success from 48.3\% to 91.7\% over the strongest baseline, while providing novel support for generative "make-it-fit" insertions in complex scenarios.
• Abstract（参考訳）: 既存の3Dシーンにオブジェクトを挿入するには、プラウチブルな場所を選択する以上のことが必要であり、挿入されたオブジェクトは、意味的な意図と物理的なプラウチビリティを保持しながら、局所的な幾何学にも適合する必要がある。 近年の視覚言語モデル(VLM)と生成モデルは意味論的推論と視覚的コンテンツ生成を可能にするが、挿入された物体が制約された局所空間に収まる必要がある場合に、限定的な3Dグラウンドと幾何学的制御を提供する。 本稿では、新しいシーングラウンド表現を中心にした、フィット認識オブジェクト挿入のためのVLM誘導フレームワークである「textbf{ElasticFit}」を紹介する。 言語命令と描画シーンの観察を与えられたElasticFitは、オブジェクトがどこに接地すべきか、どのボリュームを占有するか、どのように指向するか、適応モード(厳密な配置、均一なスケーリング、弾性的なフィッティング)を指定する構造化されたフィッティングキューを推論する。 これらのキューは、高レベルのVLM推論を条件オブジェクトの生成と下流の幾何学的フィッティングを導く明示的な3D制約に変換する。 次にElasticFitは、事前にシーン条件のオブジェクトを生成し、それを3Dで再構成し、衝突回避、接触一貫性、物理的接地を強制しながら、モード固有のフィッティングを通じてメッシュを洗練する。 固定アセットベースライン比較では、ElasticFitは空間的関係の成功を50.8\%から69.7\%に改善し、最強ベースライン上で48.3\%から91.7\%までサポートし、複雑なシナリオにおいて生成的な"make-it-fit"挿入に対する新しいサポートを提供する。

関連論文リスト

• RelationVGGT: Visual Geometry Transformers for 3D Spatial Relation Segmentation [60.646139728534195]
  フィードフォワードでポーズフリーなマルチビュー設定で3次元空間関係のセグメンテーションを定式化する。 視覚基盤モデルから意味的特徴と3次元幾何学基礎モデルからの幾何認識表現を統合する新しいフィードフォワードフレームワークであるRelationVGGTを提案する。
  論文  参考訳（メタデータ） (2026-10-01T03:00:27Z)
• Mira-Scene: Pixel-Aligned Layouts for Generative 3D Scene Reconstruction [69.88254698306027]
  シングルイメージの3Dオブジェクト生成は、今や高忠実な資産を生成できるが、それらをコヒーレントなシーンレイアウトに正確に配置することは、未解決の課題である。 スパースポーズの回帰を高密度で有界な対応回復に置き換える構成的3次元シーン再構成フレームワークであるMira-Sceneを提案する。
  論文  参考訳（メタデータ） (2026-09-20T18:36:29Z)
• ELSA3D: Elastic Semantic Anchoring for Unified 3D Understanding and Generation [6.660269100200303]
  統一された3Dファウンデーションモデルは、単一のバックボーン内で3Dアセットを生成し、言語でそれらを推論することを目指している。 ELSA3Dは, 弾性的セマンティックアンカー, 言語構造, 幾何学的推論を, 整合した抽象スケールと共同で扱うことで, この問題に対処する統一3Dモデルである。 軽量なブロック単位ルータは計算と推論の両方をエラスティックにし、どのテキストトークンが幾何スケールのアンカーをインスタンス化するかを選択する。
  論文  参考訳（メタデータ） (2026-07-07T17:59:50Z)
• SemDynReg: Semantics-Guided Deformation Regularization for Dynamic 3D Gaussian Splatting [1.1934335703226404]
  本稿では,オブジェクトレベルでの動的正規化を実現するセマンティクス誘導フレームワークを提案する。 動的3DGSレンダリングにおいて,PSNRとSSIMが向上し,LPIPSが低下する。
  論文  参考訳（メタデータ） (2026-06-27T00:18:55Z)
• MaMi-HOI: Harmonizing Global Kinematics and Local Geometry for Human-Object Interaction Generation [14.056276184323321]
  MaMi-HOIはtextbfMacro レベルの流動性をtextbf Micro レベルの空間精度で再現する。 実験により、MaMi-HOIは自然運動と正確な接触を同時に達成できることが確認された。
  論文  参考訳（メタデータ） (2026-05-07T06:52:14Z)
• XEmbodied: A Foundation Model with Enhanced Geometric and Physical Cues for Large-Scale Embodied Environments [26.90783926543698]
  クラウドパイプラインは、幾何学的推論やドメインセマンティクスに欠ける汎用視覚言語モデル(VLM)に依存している。 我々は,本質的な3次元幾何学的認識を伴うVLMを実現するクラウドサイド基盤モデルであるXEmbodiedを提案する。 XEmbodiedは18の公開ベンチマークで堅牢なパフォーマンスを示しながら、一般的な能力を保っている。
  論文  参考訳（メタデータ） (2026-04-20T16:37:16Z)
• Causal Reasoning Elicits Controllable 3D Scene Generation [35.22855710229319]
  CausalStructは3Dシーン生成に因果推論を組み込む新しいフレームワークである。 ノードがオブジェクトや属性を表現する因果グラフを構築し、エッジが因果依存性と物理的制約をエンコードする。 提案手法では,3次元ガウス切削およびスコア蒸留サンプリングにより形状精度とレンダリング安定性を向上し,3次元シーンにおけるオブジェクト配置とレイアウトの誘導にテキストや画像を用いる。
  論文  参考訳（メタデータ） (2025-09-18T01:03:21Z)
• FreeInsert: Disentangled Text-Guided Object Insertion in 3D Gaussian Scene without Spatial Priors [69.61116210215471]
  FreeInsertは空間配置からオブジェクト生成を分離する新しいフレームワークである。 意味的コヒーレント、空間的正確、視覚的にリアルな3D挿入を実現する。
  論文  参考訳（メタデータ） (2025-05-02T14:53:56Z)

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。