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:2607.16805

Scene-SAM3D: 微調整不要の多視点シーン資産生成

Scene-SAM3D: Multi-View Scene Asset Generation Without Fine-Tuning

シェア:XThreadsFacebookLINEはてブBluesky

単一画像から3Dオブジェクトを生成するSAM3Dを、キャリブレーション済みの多視点画像から3Dシーン資産を生成するフレームワークに拡張した。冗長な視点を削減しつつ、隠れた領域の情報を補完し、潜在速度融合と軽量なガウス最適化により高品質なシーンを生成する。

詳しい要約

1. どんなもの?

Scene-SAM3Dは、単一画像から3Dオブジェクトを生成するSAM3Dを、キャリブレーション済みの多視点シーン資産生成へと拡張する、トレーニング不要のフレームワークである。実世界のシーンにおける深刻なオクルージョン、冗長な観測、視点間の不整合に対処し、ロボット操作やナビゲーションなどの具現化アプリケーション向けの高品質な3Dシーン資産を生成することを目的とする。

2. 先行研究と比べてどこがすごい?

先行研究のSAM3Dは単一画像からのオブジェクト生成に強力なオブジェクト事前分布を持つが、実世界のシーンでは不十分である。Scene-SAM3Dは、トレーニング不要でSAM3Dを多視点シーン生成に拡張し、冗長な観測を削減しつつ、個々の視点でオクルードされた領域への追加証拠を提供する。さらに、クロスビュー不整合を抑制し、軽量な最適化でシーンレイアウトを洗練する点が新しい。

3. 技術・手法の肝は?

手法の肝は、(1) 相補的な視点のコンパクトなセットを選択して観測冗長性を減らしつつ、オクルード領域の証拠を追加すること、(2) 選択した視点に基づき、ステップ効率的な潜在速度融合(latent velocity fusion)を実行して、正準空間で多視点証拠を統合し、クロスビュー競合を抑制すること、(3) 軽量な剛体オブジェクトのガウシアン最適化により、生成されたオブジェクトのジオメトリを保ちながら、200イテレーション以内でシーンレイアウトを洗練することである。

4. どうやって有効だと検証した?

ReplicaとScanNet++データセットで実験を行い、インスタンスレベルとシーンレベルの両方で一貫した改善を示した。具体的には、シーンレベルのChamfer Distance(CD)をReplicaで43.8%、ScanNet++で30.9%削減し、同じ多視点設定でフローモデルのサンプリングFLOPsとウォールタイムレイテンシを約20%削減した。

5. 議論はある?

要旨からは、提案手法の限界や特定の議論は不明である。ただし、トレーニング不要であるため、特定のデータセットへの適応性や、より複雑なシーンでの性能については追加の検証が必要かもしれない。また、視点選択や融合の計算コスト、剛体オブジェクトの仮定が非剛体シーンにどう影響するかなどの議論が考えられるが、要旨には記載がない。

6. 次に読むべき論文は?

要旨で参照されているSAM3D(単一画像3D生成モデル)が関連研究として挙げられる。また、多視点3D再構成やシーン生成の分野では、NeRFや3D Gaussian Splattingなどの一般的な手法も関連するが、要旨に明示されていないため、次に読むべき論文としてはSAM3Dの原著論文が適切である。

※ 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: Yuqi Zhang, Yadan Luo, Xiangyu Sun, Fengyi Zhang, Zi Huang, Xin Tan

分類: cs.CV

原文アブストラクト

High-quality 3D scene assets are critical for embodied applications such as robotic manipulation, navigation, and simulation. Despite their strong object priors, recent single-image 3D generation models such as SAM3D remain insufficient for real-world scenes, where severe occlusions, redundant observations, and cross-view inconsistencies make reliable scene generation challenging. We introduce Scene-SAM3D, a training-free framework that extends SAM3D from single-view object generation to calibrated multi-view scene asset generation. Scene-SAM3D selects a compact set of complementary views, reducing observation redundancy while providing additional evidence for regions occluded in individual views. Based on the selected views, it performs step-efficient latent velocity fusion to integrate multi-view evidence and suppress cross-view conflicts in canonical space. Finally, a lightweight rigid-object Gaussian optimization refines the scene layout within 200 iterations while preserving the generated object geometry. Experiments on Replica and ScanNet++ demonstrate consistent improvements at both instance and scene levels, with our method reducing scene-level CD by 43.8% on Replica and 30.9% on ScanNet++, while cutting flow-model sampling FLOPs and wall-time latency by nearly 20% under the same multi-view setting. Code will be released at https://github.com/xibi777/Scene-SAM3D.

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