SceneBloomは10月23日(現地時間)、現実的で多様な室内環境を生成する新たなエージェントフレームワークを発表した。arXiv cs.CVで公開された論文で明らかになったこのフレームワークは、視覚的なレイアウトサンプリングと契約誘導型3Dコンパイルを組み合わせる。これにより、エンボディード学習向けに、高精度かつ物理的に安定したシミュレーション環境の提供を目指す。
ジェネラライザブルなエンボディードエージェントの訓練には、現実的で多様、かつシミュレーションに対応した室内環境の生成が不可欠とされる。
従来の室内環境生成手法は、それぞれ異なる課題を抱えていた。言語誘導型の手法は、セマンティックプランニングやオブジェクトレベルの推論をサポートする一方で、精密な空間グラウンディングに課題があった。また、視覚生成モデルはもっともらしいオブジェクト配置に関する事前情報を提供するが、生成されたシーンを物理的に有効な3D空間とするには、複雑な幾何学的推論や調整が必要だった。
SceneBloomは、これら課題に対し、革新的な2段階の生成パイプラインを提案する。まず、レイアウトサンプリング段階では、階層型サンプラーが拡散事前情報に基づき、リビングルームやベッドルームなどの機能ゾーンにおける家具配置を多様かつ現実的な形で生成する。この段階では、家具の種類、サイズ、相互作用を考慮し、人間が利用する空間に近い配置パターンを学習する。
次に、3Dコンパイル段階では、契約誘導型コンパイラーが各レイアウト提案から抽出された空間的およびセマンティックな関係を利用する。これにより、家具間の幾何学的適合を確保し、個々のオブジェクトの局所的な姿勢を正確に補正することで、生成されたシーンの物理的安定性と整合性を高める。このプロセスは、メッシュ衝突やオブジェクトの重なりといった問題を自動的に回避し、高精度な3D環境を効率的に構築する。
5種類の部屋タイプを対象とした厳密な評価では、SceneBloomは比較された既存手法の中で、最高の視覚的品質と物理的安定性を達成した。評価においてメッシュ衝突や範囲外のオブジェクトが検出されなかった唯一の手法であり、その生成するレイアウトは、比較対象の全てのベースラインよりも実際の部屋の分布に統計的に近いことが示された。さらに、SceneBloomで訓練されたオブジェクトナビゲーションポリシーは、同数の実際の訓練スキャンで訓練されたポリシーと比較して、保持された実際のスキャンにおいてより高い成功率を達成した。
参考: arXiv cs.CV — 2026年10月24日 02:59 (JST)