日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
3Dシーン生成arXiv:2610.41501

VoxLution: 高精細3Dシーン生成のためのボクセル進化

VoxLution: Evolving Voxels for High-Fidelity 3D Scene Generation

シェア:XThreadsFacebookLINEはてブBluesky

粗い空間レイアウトから局所的にボクセル解像度を段階的に高めるトランスフォーマーにより、既存手法より細かいボクセル解像度で高精細な屋内3Dシーンを生成する手法を提案した。

詳しい要約

1. どんなもの？

- 高解像度な3D屋内シーンを生成する手法 VoxLution の提案 - transformer ベースの coarse-to-fine アプローチ - 低解像度の spatial layout を生成した後、局所的にジオメトリを chunk 単位で段階的に精細化 - VR、spatial computing、robotics simulation 向けの高忠実度シーン生成を狙う

2. 先行研究と比べてどこがすごい？

- 既存の生成モデルはジオメトリが過度に滑らかになりがちという課題がある - VoxLution は既存 baseline より細かい voxel 解像度でシーン生成を実現 - 標準 benchmark で state-of-the-art を達成 - 3D-FRONT で FPD 59.6% 低減、FID 51.1% 低減 - Scannet++ で FPD 70.5% 低減、FID 73.8% 低減

3. 技術・手法の肝は？

- 3D super-resolution を multi-resolution sparse voxel grids 上の sequence modeling 問題として定式化 - training-free かつ resolution-invariant な tokenization scheme を導入 - 8つの octant の幾何情報を1つの decimal number にコンパクトに符号化 - transformer sequence に複数解像度を含め、coarse layout が fine な局所詳細生成を導く構成 - 局所 chunk 間の一貫性のため、隣接 chunk の boundary 情報を transformer sequencing に直接組み込む

4. どうやって有効だと検証した？

- 標準 benchmark 上で評価 - 3D-FRONT と Scannet++ において FPD および FID を既存手法と比較 - 既存 baseline より細かい voxel 解像度での生成を実現し、state-of-the-art 性能を報告

5. 議論はある？

- 要旨からは不明 - ただし chunk 間の一貫性確保のために boundary 情報を組み込む設計上の工夫が示されている

6. 次に読むべき論文は？

- 要旨で参照/比較されている既存手法や関連研究は明示されていない - 同分野の定番として 3D-FRONT や Scannet++ を用いた屋内シーン生成研究、transformer ベースのシーン生成、sparse voxel 表現を用いた 3D 生成モデルを次に読む候補として挙げる

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Daoyi Gao, Xinyi Zhang, Alexey Bokhovkin, Lei Li, Angela Dai

分類: cs.CV

原文アブストラクト

High-resolution 3D indoor scene generation is crucial for immersive applications such as virtual reality, spatial computing, and robotics simulation. We introduce VoxLution, a coarse-to-fine transformer-based approach that generates high-fidelity indoor scenes with rich details, overcoming the overly smooth geometry typical of existing generative models. First, we generate a low-resolution spatial layout; then, based on this structural information, we progressively refine the scene geometry locally in chunks. Key to our approach is formulating 3D super-resolution as a sequence modeling problem over multi-resolution sparse voxel grids. To achieve this, we introduce a training-free, resolution-invariant tokenization scheme that compactly encodes the geometric information of eight octants into a single decimal number. We formulate the transformer sequence to include multiple resolutions, allowing the coarse layout to guide the generation of fine local details. To ensure coherence across local chunks, we incorporate adjacent chunk boundary information directly into the transformer sequencing. VoxLution achieves scene generation at a finer voxel resolution than existing baselines, demonstrating state-of-the-art performance on standard benchmarks with 59.6% lower FPD and 51.1% lower FID on 3D-FRONT, and 70.5% lower FPD and 73.8% lower FID on Scannet++.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI