論文の概要: VoxProg: 3D Spatial Reasoning through Voxel Programming

• arxiv url: http://arxiv.org/abs/2610.30127v1
• Date: Wed, 21 Oct 2026 17:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.472272
• Title: VoxProg: 3D Spatial Reasoning through Voxel Programming
• Title（参考訳）: VoxProg:Voxelプログラミングによる3次元空間推論
• Abstract要約: ボクセルプログラミングにより3次元オブジェクト配置を定式化するVoxProgを導入する。 これらのビューは、明示的な座標と近傍関係を持つ正規格子上のインデックス表面形状を持つため、エビデンスプログラムは、タスク関連領域と境界を直接シーンメッシュから分離することができる。 実行時の視覚的および数値的なフィードバックにより、モデルは中間選択と候補配置を検査し、コードを反復的に修正することができる。
• 参考スコア（独自算出の注目度）: 51.75853270374838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language models' abilities to interpret tasks and generate programs offer a promising basis for 3D spatial reasoning. Yet following spatial instructions in 3D scenes requires programs to construct geometric references that language leaves implicit. In this work, we introduce VoxProg, which formulates 3D object placement through voxel programming: a language model translates task interpretations into executable programs over local voxel views of scene surfaces. Because these views index surface geometry on regular grids with explicit coordinates and neighborhood relations, an evidence program can isolate task-relevant regions and boundaries directly from scene meshes, and a downstream pose program can measure the resulting geometry to compute a target $SE(3)$ pose. Visual and numerical feedback from execution lets the model inspect intermediate selections and candidate placements to iteratively revise its code. To evaluate open-ended placement across functional use, geometric fit, and contextual arrangements, we introduce the 71-task VoxProg-Bench benchmark along with an evaluation suite pairing perceptual Intent Alignment and 3D Physical Validity. Across VoxProg-Bench and external benchmarks, VoxProg consistently outperforms relation-based, keypoint-based, and mesh-based baselines.
• Abstract（参考訳）: 言語モデルのタスクを解釈し、プログラムを生成する能力は、3次元空間推論に有望な基礎を提供する。 しかし、3Dシーンにおける空間的指示に従うには、言語が暗黙に残す幾何学的参照を構築するプログラムが必要である。 本稿では,3次元オブジェクト配置をボクセルプログラミングにより定式化するVoxProgを紹介する。 これらのビューは、明示的な座標と近傍関係を持つ正規格子上のインデックス表面形状を持つため、エビデンスプログラムはタスク関連領域と境界をシーンメッシュから直接分離することができ、下流のポーズプログラムは結果の幾何学を測定して目標の$SE(3)$ポーズを計算することができる。 実行時の視覚的および数値的なフィードバックにより、モデルは中間選択と候補配置を検査し、コードを反復的に修正することができる。 機能的使用, 幾何学的適合, 文脈的配置によるオープンエンド配置を評価するため, 71-task VoxProg-Benchベンチマークと, 知覚的意図的アライメントと3次元物理的妥当性のペアリングによる評価スイートを導入する。 VoxProg-Benchと外部ベンチマーク全体では、VoxProgはリレーションベース、キーポイントベース、メッシュベースベースラインを一貫して上回っている。

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)
• MV-GEL: Language-Driven Multi-View Geometric Entity Localization on Meshes [0.0]
  MV-GELは、自然言語クエリからポリゴンメッシュ上の微細な幾何学的エンティティをローカライズするためのフレームワークである。 GELviewsは、幾何学的CADエンティティの可観測性に基づく視点を優先する、プロンプト条件付きランキングモジュールである。 実験では、顔レベルのIoUが1.7倍、エッジレベルのF1が4.5倍向上した。
  論文  参考訳（メタデータ） (2026-06-30T11:46:25Z)
• Proxy3D: Efficient 3D Representations for Vision-Language Models via Semantic Clustering and Alignment [50.02189698630855]
  本稿では,視覚モダリティのためのコンパクトかつ包括的な3Dプロキシ表現を備えたProxy3D法を提案する。 提案手法は,3次元視覚的質問応答,視覚的接地,空間知能のベンチマークにおいて,競合や最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-08T17:50:47Z)
• Agentic 3D Scene Generation with Spatially Contextualized VLMs [67.31920821192323]
  本稿では,複雑な3D環境の生成,理解,編集を可能にする新しいパラダイムを提案する。 我々は,VLMが空間コンテキストから反復的に読み取って更新するエージェント型3Dシーン生成パイプラインを開発した。 その結果,我々のフレームワークは多様かつ困難な入力を処理でき,事前の作業では観測できないような一般化のレベルを達成することができることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T15:28:17Z)
• Spatial Reasoner: A 3D Inference Pipeline for XR Applications [0.0]
  本稿では,記号的述語と関係性で幾何学的事実をブリッジする空間的推論フレームワークを提案する。 その基礎は、空間的述語集合によって強化された、向き付けられた3D境界ボックス表現に依存している。 導出した述語は空間知識グラフを形成し、パイプラインベースの推論モデルと組み合わせることで、空間クエリと動的ルール評価を可能にする。
  論文  参考訳（メタデータ） (2025-04-25T14:27:27Z)
• IRef-VLA: A Benchmark for Interactive Referential Grounding with Imperfect Language in 3D Scenes [10.139461308573336]
  IRef-VLAは、11.5K以上のスキャンされた3D部屋からなる参照グラウンドタスクのための、世界で最大のデータセットである。 我々は,ロバストでインタラクティブなナビゲーションシステムの開発を支援する3Dシーン理解のためのリソースの提供を目指している。
  論文  参考訳（メタデータ） (2025-03-20T16:16:10Z)
• Multiview Scene Graph [7.460438046915524]
  適切なシーン表現は、空間知性の追求の中心である。 未提示画像からマルチビューシーングラフ(MSG)を構築することを提案する。 MSGは、場所とオブジェクトノードを相互接続したシーンをトポロジ的に表現する。
  論文  参考訳（メタデータ） (2024-10-15T02:04:05Z)

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。