多視点シルエットから安定な3Dブロック積み上げを生成するStackGen3D

- 与えられた block inventory と3方向の orthographic silhouettes を条件に、物理的に安定な 3D block assemblies を生成するフレームワーク StackGen3D を提案。 - 2段階構成：(1) ブロック間の support relations をモデル化する physics-informed graph neural network (PI-GNN) を安定性の高速予測器として構築し、安定構造の多様なデータセットをキュレーション。(2) そのデータセット上で conditional flow-matching model を学習し、silhouettes に整合する block configurations の multimodal 分布を獲得。 - 推論時は物理シミュレーションなしの軽量な geometric selection と refinement でブロック間 penetration を低減。

- パラメータ数を揃えた multilayer perceptron と比較し、PI-GNN が単純な stacks から複雑な構造へ一般化する性能が大幅に優れることを示した。 - 構造生成では Best-of-10 selection により物理的安定性が 45.3% から 72.4% へ向上し、silhouette IoU 0.970 を達成。 - 物理シミュレーションを用いずに安定性と形状整合を両立させる点が特徴（要旨からは不明な先行研究との詳細比較は限定的）。

- PI-GNN がブロック間の support relations をグラフとして扱い、安定性の高速予測器として機能。これを用いて安定構造の多様なデータセットを効率的にキュレーション。 - キュレーション済みデータで conditional flow-matching model を学習し、silhouettes 条件付きの block configurations の multimodal 分布をモデル化。 - 推論時に軽量な geometric selection と refinement を適用し、物理シミュレーションなしで inter-block penetration を低減。Best-of-10 selection で候補から安定な解を選択。

- PI-GNN をパラメータ数を揃えた multilayer perceptron と比較し、単純な stacks から複雑な構造への一般化を評価。 - 構造生成では Best-of-10 selection により物理的安定性 45.3%→72.4%、silhouette IoU 0.970 を報告。 - これらは preliminary experiments として示されている（詳細なデータセット規模や評価プロトコルは要旨からは不明）。

- 関係的物理推論、スケーラブルなデータキュレーション、条件付き生成モデリングの組み合わせが創造的 3D assembly に有効である可能性を示唆。 - 物理シミュレーションなしで penetration を低減する軽量手法の限界や、複雑構造・多様な inventory への一般化については要旨からは不明。 - 安定性 72.4% という残存する不安定生成への対処は今後の課題として示唆される（要旨からは不明な点を含む）。

- 要旨で直接参照/比較されているのは parameter-matched multilayer perceptron と conditional flow-matching model、PI-GNN。 - 関連手法として graph neural networks (GNN)、flow matching、conditional generative modeling、physics-informed learning、3D assembly generation の定番研究を次に読む候補として挙げる（具体的論文名は要旨からは不明）。