論文の概要: SceneAgent: A Multi-Agent Framework for Portable Game Scene Generation
- arxiv url: http://arxiv.org/abs/2611.17821v1
- Date: Fri, 13 Nov 2026 06:57:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.321647
- Title: SceneAgent: A Multi-Agent Framework for Portable Game Scene Generation
- Title(参考訳): SceneAgent: ポータブルゲームシーン生成のためのマルチエージェントフレームワーク
- Abstract要約: SceneAgentは、構築プロセスとそのバックエンドでのエクスペリエンスを再利用するためのマルチエージェントフレームワークである。
世代にわたって、人間が承認したトレースは、アセットIDのないレイアウトスキルとセマンティックコンテンツスキルに蒸留される。
その結果、再利用可能なスキルとマルチエージェントプロトコルは、主にプロンプトアライメントとシーンの完全性を改善していることがわかった。
- 参考スコア(独自算出の注目度): 29.687728165938783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Moving a scene generator to a new game engine requires more than exporting its final output: planning, construction tools, and stored experience may also depend on the original backend. We present SceneAgent, a multi-agent framework for reusing the construction process and its experience across backends. A canonical SceneContext maintains the evolving world, while backend adapters isolate coordinate conventions, asset bindings, and export. Structured handoffs let fresh Builder sessions query this persistent state without inheriting the full construction transcript. Across generations, human-approved traces are distilled into asset-ID-free Layout skills and semantic Content skills that can be retrieved and recombined. We introduce GameSceneBench, comprising 69 indoor and outdoor prompts. Under a common asset and evaluation protocol, SceneAgent obtains human tie-adjusted preference scores of 78.2-89.4% against five baselines. Ablations show that reusable skills and the multi-agent protocol primarily improve prompt alignment and scene completeness, with additional runtime. Deployment in a second engine preserves the shared construction protocol and skill library while replacing backend integration components. Together, these results support separating persistent scene state, task-local reasoning, and reusable experience for portable scene construction.
- Abstract(参考訳): シーンジェネレータを新しいゲームエンジンに移すには、最終的な出力をエクスポートする以上のものが必要になる。
SceneAgentは、バックエンドで構築プロセスとその経験を再利用するためのマルチエージェントフレームワークである。
標準SceneContextは進化する世界を維持し、バックエンドアダプタはコーディネート、アセットバインディング、エクスポートを分離する。
構造化されたハンドオフにより、新しいBuilderセッションは、完全な構築書き起こしを継承することなく、この永続的な状態をクエリできる。
世代にわたって、人間の承認された痕跡は、回収および組換えが可能なアセットIDのないレイアウトスキルとセマンティックコンテンツスキルに蒸留される。
室内と屋外の69のプロンプトからなるGameSceneBenchを紹介する。
共通の資産および評価プロトコルの下で、SceneAgentは5つの基準に対して78.2-89.4%のヒトのネクタイ調整された嗜好スコアを取得する。
アブレーションは、再利用可能なスキルとマルチエージェントプロトコルが、実行時の追加とともに、プロンプトアライメントとシーンの完全性を改善していることを示している。
第2エンジンへのデプロイは、バックエンド統合コンポーネントを置き換えながら、共有構成プロトコルとスキルライブラリを保存する。
これらの結果は、永続的なシーン状態の分離、タスクローカル推論、ポータブルなシーン構築のための再利用可能なエクスペリエンスをサポートする。
関連論文リスト
- GATOR: Generative and Agentic 3D Object Reconstruction From Casual Images [27.21315421926771]
カジュアル画像からシーンアライメントされた3Dオブジェクトを再構成する生成フレームワークであるGATORを提案する。
テキスト誘導セマンティックコンディショニングは、これらの空間的手がかりをカテゴリ名とオブジェクトキャプションで補完する。
GATORは、スパース観測からシーン相対的なポーズを回復しながら、強い幾何学的および外観的忠実性を達成する。
論文 参考訳(メタデータ) (2026-10-08T04:13:04Z) - Awomo-SimDataEngine: Agentic Simulation-ReadyWorld Generation [22.07412872304806]
本稿では,アセットとシーン生成をロボットのデモ合成に結びつけるエージェントシステムであるtextbfAwomo-SimDataEngineを提案する。
Unravelnativeは画像から編集可能なシーンを再構築し、SimForgeはテキストからシングルルームとマルチルーム環境を構築する。
PolicyForgeは、バリデーションされた世界をタスクとロボットエンボディメントにバインドして、再生可能なデモを生成する。
論文 参考訳(メタデータ) (2026-10-01T08:38:29Z) - AssemblyWorld: Rethinking 3D Assembly with General-Purpose Agents [58.42520609012556]
エージェントがレンダリングされたビューを検査し、供給された剛性部品を操作できるインタラクティブな3D環境であるAmblyWorldを紹介する。
組立WorldBenchを構築し,100の組立タスクを家具,産業組立,破壊組立にまたがる80のオブジェクトにまたがって構成する。
論文 参考訳(メタデータ) (2026-09-30T17:59:14Z) - Code4Scene: Benchmarking Coding Agents for Constructing and Editing 3D Scenes [3.603036287951166]
コーディングエージェントは,3D環境の作者によるコードの記述と実行が可能になった。
しかし、3D構造を確実に理解し、シーン状態を正確に制御するかどうかは不明だ。
人間が組み立てたシーンから構築した190のUnreal EngineケースのベンチマークであるCode4Sceneを紹介します。
論文 参考訳(メタデータ) (2026-09-29T05:49:37Z) - φ-RIE: From Photorealistic Reconstruction to Interactive Environments [57.657253059351795]
-RIEは、残りの復元を保ちながら、選択したオブジェクトを移動可能なシミュレータアセットに変換する。
シーン・オブザーバは、結合されたシーン・コンストラクションの証拠を共有した。
50のScanNet++シーンでは、エビデンスベースの選択と登録リトライが20mmのF1と、固定保持時の0.336から0.383に一致した。
論文 参考訳(メタデータ) (2026-09-22T17:59:52Z) - Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments [89.86581796261123]
それぞれの軌道を再利用可能な環境に変えるためのフレームワークである Terminal-Universe を紹介する。
Terminal-Universeは、トラジェクトリに記録されたファイル操作をリプレイして、エージェントが変更する前に各ファイルを復元し、部分的なワークスペースを生成する。
また、タスクは幅と深さの2つの軸に沿ってスケールします。
論文 参考訳(メタデータ) (2026-09-03T17:41:05Z) - SceneReGen: Generative Reconstruction of 3D Scenes from a Single Image [24.844593424101618]
我々は、シーン再構築を完全なオブジェクト資産の生成と組み立てとして再解釈する生成的再構築フレームワークであるSceneReGenを紹介した。
SceneReGenは、選択的なポーズ係数化を通じて生成/再構成ギャップに対処する。
SceneReGenは評価手法の中で,最高のシーンレベルCD,シーンレベルFスコア,3DバウンディングボックスIoUを実現している。
論文 参考訳(メタデータ) (2026-08-25T00:29:37Z) - SceneCode: Executable World Programs for Editable Indoor Scenes with Articulated Objects [69.20984454755512]
室内シーンの合成は、AI、ロボット操作、シミュレーションベースのポリシー評価を具体化する。
既存のパイプラインは、生成されたコンテンツを静的メッシュとして表現し、キュレートされたアセットライブラリからのみ調音を継承する。
我々は、自然言語プロンプトを実行可能なコード駆動屋内世界にコンパイルするフレームワークであるSceneCodeを紹介する。
論文 参考訳(メタデータ) (2026-05-19T09:31:04Z) - Divide and Conquer: Language Models can Plan and Self-Correct for
Compositional Text-to-Image Generation [72.6168579583414]
CompAgentは、大規模な言語モデル(LLM)エージェントをコアとして、コンポジションテキスト・画像生成のためのトレーニング不要のアプローチである。
提案手法は,オープンワールド合成T2I生成のための総合的なベンチマークであるT2I-CompBenchに対して10%以上の改善を達成している。
論文 参考訳(メタデータ) (2024-01-28T16:18:39Z)
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。