論文の概要: Pano2BIM: A Geometry-Constrained Vision-Language Agent for As-Built BIM Generation from a Floor Plan and a Single 360$^\circ$ Image

• arxiv url: http://arxiv.org/abs/2611.00097v1
• Date: Sun, 25 Oct 2026 12:02:06 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:15:39.495988
• Title: Pano2BIM: A Geometry-Constrained Vision-Language Agent for As-Built BIM Generation from a Floor Plan and a Single 360$^\circ$ Image
• Title（参考訳）: Pano2BIM:床平面と360$^\circ$画像からのアスビルトBIM生成のための幾何学的制約付きビジョンランゲージエージェント
• Abstract要約: デジタル双生児は、物理的条件を反映した正確で最新の建築情報モデルを必要とする。 画像に基づく手法は、本質的に構造化されたBIM情報を生成することなく、視覚的外観を捉えることができる。 視覚言語モデル(VLM)は、信頼できるメートル法オブジェクト配置に苦しむ。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Digital twins require accurate, up-to-date building information models (BIM) that reflect physical conditions, yet generating and maintaining as-built models remains costly and labor-intensive. Emerging image-based methods can capture visual appearance without inherently producing structured BIM information, while vision-language models (VLMs) struggle with reliable metric object placement. This paper presents Pano2BIM, a geometry-constrained VLM agent that generates approximate IFC4 models at Level of Development (LOD) 200 from a floor plan with known room dimensions and a single 360-degree photograph. The VLM identifies landmarks and objects, while deterministic tools estimate camera pose, compute metric positions through ray casting, and check spatial constraints. An optional second stage enriches the presentation model through render-and-compare feedback without modifying the primary furniture geometry. In a preliminary evaluation on one laboratory, the proposed Measure workflow achieved a mean furniture-footprint intersection over union (IoU) of 0.53, compared with 0.44 for a single-response baseline using identical modeling instructions, and matched an average of 4.0 versus 2.3 of seven fixed furniture elements across three runs. Centroid disagreements were similar for the four elements consistently identified by both approaches. The measurement stage averaged 3.8 minutes and USD 1.63 in API costs per run, while the complete demonstrated workflow required approximately 42 minutes and USD 11. These findings demonstrate the feasibility of rapid, low-cost as-built BIM generation, with potential applications in maintaining digital twins that reflect changing physical conditions.
• Abstract（参考訳）: デジタル双生児は、物理的条件を反映した正確で最新の建築情報モデル(BIM)を必要とするが、製造されたモデルの生成と維持にはコストと労力がかかる。 画像に基づく新しい手法は、本質的に構造化されたBIM情報を生成することなく視覚的外観を捉えることができるが、視覚言語モデル(VLM)は信頼性の高いメートル法オブジェクト配置に苦慮している。 本稿では, フロアプランと1枚の360度写真から, レベル・オブ・開発(LOD)200で近似IFC4モデルを生成するジオメトリ制約VLMエージェントであるPano2BIMを提案する。 VLMはランドマークとオブジェクトを識別し、決定論的ツールはカメラのポーズを推定し、レイキャストによるメートル法位置を計算し、空間的制約をチェックする。 任意の第2段階は、主家具形状を変更することなく、レンダリング・アンド・コンペアフィードバックを通じてプレゼンテーションモデルを強化する。 1つの実験室での予備的な評価において、提案した測定ワークフローは、同一のモデリング命令を用いた単一応答ベースラインの0.44に対して、結合(IoU)の平均的な家具-フットプリント交差点(IoU)を0.53で達成し、3ランにわたる7つの固定家具要素の平均4.0対2.3と一致した。 セントロイドの不一致は、両方のアプローチで一貫して識別される4つの要素に対して類似していた。 測定ステージは平均3.8分、APIのコストは1ランあたり1.63ドル、完全なワークフローは42分、USD 11.3ドルだった。 これらの知見は、高速で低コストなBIM生成の実現可能性を示し、物理的条件の変化を反映したデジタル双生児の維持に潜在する可能性を示した。

関連論文リスト

• Reconstruction as Spatial Evaluation: Diagnosing Cross-View Spatial Intelligence in Large Vision-Language Models [50.342970317193284]
  大規模視覚言語モデル(LVLM)は、局所的な視覚観測を物理世界の幾何学的に一貫した表現に組み合わせなければならない。 屋内, テーブルトップ, 屋外環境における多視点3Dシーン再構成を主眼としたベンチマークであるRECONSPATIALを紹介する。 リコンストラクションは、相対配置のための構造と物理的スケールのためのメートル法とカメラアンコール配置の2つの相補的な軸に沿って評価される。
  論文  参考訳（メタデータ） (2026-11-01T16:16:15Z)
• OV-PEAR: Observation-Verified Pose-Scale Estimation and Reconstruction for Unknown Industrial Manipulation Objects [3.565767184849207]
  OV-PEARは未知の産業オブジェクトの3次元再構成とポーズスケール推定のための観測検証フレームワークである。 BOP-Industrialでは、OV-PEARは平均AR0.657に達し、実際のシーンにおけるポーズとボクセルレベルの幾何的一貫性を改善している。
  論文  参考訳（メタデータ） (2026-10-19T05:51:41Z)
• IDEAL-Bench: Indoor Dataset and Evaluation suite for Analyzing 3D Layout reasoning [30.654858163397662]
  I-Benchは,室内の3次元レイアウトをモデル化するために視覚言語モデルを必要とする評価スイートである。 I-BenchはCLEVRスタイルの単純な幾何学的プリミティブを超えて、画像空間の差が空間的推論のみを反映するようにしている。
  論文  参考訳（メタデータ） (2026-07-03T22:04:42Z)
• BIM-Edit: Benchmarking Large Language Models for IFC-Based Building Information Modeling [10.272570186591482]
  大規模言語モデル (LLM) はコンピュータ支援設計 (CAD) に適用され、設計成果物を生成する。 本稿では,ビルディング情報モデルの自然言語編集におけるLLMの評価ベンチマークであるBIM-Editを紹介する。 我々は,幾何学的精度,意味的妥当性,位相的整合性という3つの次元のアウトプットを評価する。
  論文  参考訳（メタデータ） (2026-06-18T12:08:04Z)
• SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
  このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。 本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
  論文  参考訳（メタデータ） (2026-06-11T17:59:36Z)
• Dual-Pathway Geometry-Aware MLLM for Spatial Intelligence [63.11502936651325]
  本稿では,空間知能のための二経路幾何対応MLLMであるGAMSIを提案する。 RGB画像のみを入力とし、両方の幾何学的形態を統一された自己回帰バックボーン内に内包する。 GAMSIは、7つの空間インテリジェンスベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-25T01:33:19Z)
• HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents [71.09493646932046]
  本稿では,実世界のエンボディエージェントに特化して設計された基礎モデルのファウンデーションモデルであるHY-Embodied-0.5を紹介する。 HY-Embodied-0.5スイートは、エッジ配置用に設計された2Bアクティベートパラメータを持つ効率的なモデルと、複雑な推論をターゲットとした32Bアクティベートパラメータを持つ強力なモデルである。 私たちのMoT-2Bモデルは16ベンチマークで同等の大きさの最先端モデルより優れていますが、32BはGemini 3.0 Proのようなフロンティアモデルに匹敵するパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2026-04-08T17:59:48Z)
• Beyond 'Templates': Category-Agnostic Object Pose, Size, and Shape Estimation from a Single View [69.6117755984012]
  物体の6Dポーズ、サイズ、形状を視覚入力から推定することは、コンピュータビジョンの基本的な問題である。 一つのRGB-D画像から6次元のポーズ,サイズ,密な形状を同時に予測する統合されたカテゴリ非依存フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T17:49:15Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)

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。