日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

3D生成arXiv:2511.16434

プロンプトから印刷可能モデルへ:オフセット直接選好最適化によるサポート効率の良い3D生成

From Prompts to Printable Models: Support-Effective 3D Generation via Offset Direct Preference Optimization

シェア:XThreadsFacebookLINEはてブBluesky

テキストから3Dモデルを生成する際に、サポート材の使用量を抑えるよう直接選好最適化(ODPO)を組み込み、印刷しやすさとプロンプト忠実度を両立させたフレームワークSEGを提案。

詳しい要約

1. どんなもの?

- テキストから3Dモデルを生成する際に、印刷時のサポート構造を減らすことを目的としたフレームワーク SEG (Support-Effective Generation) を提案 - Direct Preference Optimization に Offset を加えた ODPO を3D生成パイプラインに統合 - サポート構造のシミュレーションを学習過程に組み込み、サポート材が少なくて済む形状を生成 - 材料浪費と生産時間の削減を狙う - 3Dプリンティングの持続可能性・効率性向上を目指す

2. 先行研究と比べてどこがすごい?

- 既存の text-to-3D モデルは視覚的忠実度を優先し、物理的な製作可能性(fabricability)を軽視していた - その結果、過剰なサポート構造を必要とする形状が生成されていた - SEG はサポート体積削減と printability の両面で baseline の TRELLIS, DPO, DRO を大きく上回る - 入力プロンプトへの忠実度を保ちつつサポート構造を最小化できる点が新規 - 生成過程で直接最適化するアプローチの有効性を示す

3. 技術・手法の肝は?

- Direct Preference Optimization に Offset を加えた ODPO を3D生成パイプラインに統合 - サポート構造のシミュレーションを訓練プロセスに組み込む - サポート材を必要としにくい形状へと誘導する最適化を行う - これにより材料浪費と生産時間を削減 - Offset の具体的な設計や損失関数の詳細は要旨からは不明

4. どうやって有効だと検証した?

- 2つの benchmark データセット Thingi10k-Val と GPT-3DP-Val で広範な実験を実施 - baseline の TRELLIS, DPO, DRO と比較し、サポート体積削減と printability で有意に優位 - 定性結果から、入力プロンプトへの高い忠実度を維持しつつサポート構造を最小化できることを確認 - 定量・定性の両面で有効性を検証

5. 議論はある?

- SEG が3Dプリンティングを変革し、持続可能で効率的なデジタルファブリケーションにつながる可能性を主張 - サポート構造のシミュレーションを生成過程に組み込むことの有効性を示唆 - 限界や失敗事例、計算コスト、一般化性に関する議論は要旨からは不明 - 具体的なサポート体積削減率などの数値は要旨からは不明

6. 次に読むべき論文は?

- TRELLIS (比較 baseline の text-to-3D モデル) - DPO (Direct Preference Optimization) - DRO (比較 baseline) - Thingi10k-Val, GPT-3DP-Val (評価 benchmark) - text-to-3D 生成における printability や fabricability を扱う関連研究

※ 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: Chenming Wu, Xiaofan Li, Chengkai Dai

分類: cs.RO

原文アブストラクト

Current text-to-3D models prioritize visual fidelity but often neglect physical fabricability, resulting in geometries requiring excessive support structures. This paper introduces SEG (\textit{\underline{S}upport-\underline{E}ffective \underline{G}eneration}), a novel framework that integrates Direct Preference Optimization with an Offset (ODPO) into the 3D generation pipeline to directly optimize models for minimal support material usage. By incorporating support structure simulation into the training process, SEG encourages the generation of geometries that inherently require fewer supports, thus reducing material waste and production time. We demonstrate SEG's effectiveness through extensive experiments on two benchmark datasets, Thingi10k-Val and GPT-3DP-Val, showing that SEG significantly outperforms baseline models such as TRELLIS, DPO, and DRO in terms of support volume reduction and printability. Qualitative results further reveal that SEG maintains high fidelity to input prompts while minimizing the need for support structures. Our findings highlight the potential of SEG to transform 3D printing by directly optimizing models during the generative process, paving the way for more sustainable and efficient digital fabrication practices.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI