3Dシーン生成2026/10/27arXiv:2610.37326

ScIntBench：3D屋内シーン生成における物理的インタラクションの妥当性評価ベンチマーク

ScIntBench: Physical Interaction Plausibility in 3D Scene Generation

テキストから3D屋内シーンを生成する手法を、物理シミュレーション上での操作タスク（押す・開く・面の探査など）の成否で評価する統一ベンチマークを提案し、12手法を比較して意味的・静的な妥当性が高くても操作可能なシーン生成は困難であることを示した。

詳しい要約

1. どんなもの？

- テキスト条件付き3D屋内シーン生成の評価ベンチマーク「ScIntBench」を提案する論文 - 静的な意味忠実性・物理妥当性ではなくinteraction readiness(操作可能性)に着目 - physics simulation上で押す・開く・表面probe等の操作actionを実行し評価 - 評価軸はtask success、capability and progress、post-interaction integrity、dynamic plausibility - multi-view semantic評価とstatic physical評価も補完的に実施 - 12のstate-of-the-art scene generation systemを10 room typesで系統評価

2. 先行研究と比べてどこがすごい？

- 既存評価はsemantic fidelityとat-restでのphysical validityに偏っていた - 本研究はinteraction-timeのphysical reliabilityを評価対象に加えた点が新しい - 静的な物理妥当性が高くても操作時には破綻しうることを定量的に示す - 例: 静的妥当性がほぼ完璧なsystemでもinteraction成功率は11.54%にとどまる - 12 system中7 systemはinteractionを一切支えられないsceneを生成 - 最良systemでもprescribed task成功率は36.92%に留まる

3. 技術・手法の肝は？

- physics simulation内でprescribed manipulation actionを実行するbenchmark設計 - 操作action例: pushing、opening、surface probing - 指標: task success、capability and progress、post-interaction integrity、dynamic plausibility - multi-view semantic評価とstatic physical評価を組み合わせ、interaction結果の説明を補助 - 10 room typesにわたり12のscene generation systemを系統評価 - 詳細な実装・simulator設定は要旨からは不明

4. どうやって有効だと検証した？

- 12のstate-of-the-art scene generation systemを10 room typesで評価 - interaction実行によるtask success等の指標で有効性を検証 - 静的評価とinteraction評価の乖離を定量的に提示 - 静的妥当性がほぼ完璧なsystemのinteraction成功率11.54%を報告 - 12 system中7 systemがinteraction不能なsceneを生成 - 最良systemのprescribed task成功率36.92%を報告

5. 議論はある？

- 強いsemantic/static physical性能がinteraction readinessに直結しないことを指摘 - interaction-ready scene生成には2つの根本課題があると議論 - 必要なphysical interaction capabilityの付与 - active manipulation下での信頼できるphysical behaviorの確保 - 具体的な改善手法や限界の詳細は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法としてtext-conditioned 3D indoor scene generationの代表的手法を挙げる - 例: ATISS、DiffuScene、CommonScenes、SceneDiffuser等 - 併せてphysics simulation基盤(e.g., MuJoCo、Isaac Sim)やphysical plausibility評価研究を参照するのが有用

※ 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: Wendi Ying, Daochang Liu, Leonid Sigal, Ajmal Saeed Mian

分類: cs.CV

原文アブストラクト

Existing evaluations of text-conditioned 3D indoor scene generation largely emphasize semantic fidelity and physical validity at rest, leaving interaction-time physical reliability insufficiently assessed. To address this gap, we introduce ScIntBench, a unified benchmark centered on interaction readiness: it executes prescribed manipulation actions (e.g., pushing, opening, and surface probing) in physics simulation and measures task success, capability and progress, post-interaction integrity, and dynamic plausibility. Multi-view semantic and static physical evaluations complement these metrics and help explain interaction outcomes. We systematically evaluate 12 state-of-the-art scene generation systems across 10 room types. Our results reveal that strong semantic and static physical performance does not necessarily translate into interaction readiness: a system with near-perfect static plausibility completes only 11.54% of interactions, 7 of the 12 systems produce scenes that cannot support any interaction, and even the best system succeeds in only 36.92% of prescribed tasks. These findings highlight two fundamental challenges in generating interaction-ready scenes: providing the necessary physical interaction capabilities and ensuring reliable physical behavior under active manipulation.

arXivで原文を読む →arXiv概要ページ

ScIntBench：3D屋内シーン生成における物理的インタラクションの妥当性評価ベンチマーク

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

OZ GAMING（GPU搭載BTOゲーミングPC）

双腕モバイルマニピュレーター OpenShell