自己回帰拡散による3Dシーングラフの高レベル概念生成

本論文は、屋内3D Scene Graphs (3DSGs)をボトムアップに生成する統一的な自己回帰拡散モデルを提案する。3DSGsは、観測された幾何学的プリミティブ（例：平面）から高レベルのメトリック・セマンティック概念（例：部屋、階、建物）までを多層階層で表現し、ロボットの知覚やSLAMのための空間推論を可能にする。提案モデルは、グラフ構造と空間ノード特徴（例：centroids）を同時に学習し、任意の階層深さで完全な3DSGを構築する。

従来の高レベル概念生成は、特定の概念クラスに依存した手動ルールに基づくか、学習ベースでもグラフ構造と空間特徴を別々のモデルで扱うため、新規クラスや複雑な階層へのスケーラビリティが限られていた。提案手法は、構造と特徴を統合的に学習する自己回帰拡散モデルを用いることで、これらの制限を克服し、任意の階層深さに対応できる点が優れている。

手法の核は、自己回帰拡散モデルを用いてグラフ構造とノード特徴を同時に生成すること。具体的には、観測された垂直平面からボトムアップに3DSGを構築し、各ステップでノードとエッジを生成する。拡散モデルは、ノイズからデータを復元する過程で構造と特徴を学習する。また、Fused Gromov--Wasserstein距離を適応させたグラフレベルの評価指標を提案している。

合成シーン、実建築フロアプラン、ロボットセンサーデータを含む複数の3DSGデータセットで評価し、レイアウト複雑度や階層深さが異なる条件下で、学習ベースおよびランダムベースラインを一貫して上回った。さらに、最大の階層と実単一フロアデータでは、ターゲットグラフサイズのオラクル情報を持つワンショットモデルも凌駕した。

要旨からは、提案手法の限界や潜在的な問題についての議論は不明。ただし、評価指標としてFused Gromov--Wasserstein距離を適応した点は、生成グラフの品質評価に有用であるが、その計算コストやスケーラビリティに関する議論は要旨に含まれていない。

要旨で参照されている関連研究として、古典的なルールベースの高レベル概念生成手法、学習ベースのグラフ生成モデル（例：GraphRNN、GraphVAE）、および3D Scene Graphに関する既存研究（例：3D Scene Graph Prediction）が挙げられる。また、拡散モデルを用いたグラフ生成の最近の研究（例：Graph Diffusion）も関連する。