Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
비-맨해튼 환경에서 물리적으로 그럴듯한 3D 실내 장면을 생성하는 새로운 프레임워크 SPG-Layout을 제안합니다. 통계적 사전 정보와 계층적 배치 전략을 통해 기하학적 오류를 최소화하고 의미론적 사실성을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLMs)은 맨해튼 (Manhattan) 환경의 3D 실내 합성 분야에서 놀라운 능력을 입증해 왔습니다. 그러나 기존 방법들은 주로 직교하지 않는 공간 관계를 모델링하는 데 어려움을 겪기 때문에, 비-맨해튼 (non-Manhattan) 설정에서 그럴듯한 객체 배치 패턴을 포착하는 데 자주 실패하며, 이는 높은 기하학적 위반 (geometric violations)과 낮은 물리적 충실도 (physical fidelity)로 이어집니다. 이러한 과제를 해결하기 위해, 우리는 복잡한 비-맨해튼 환경 내에서 물리적으로 그럴듯한 실내 장면을 생성하도록 설계된 새로운 텍스트 기반 프레임워크인 SPG-Layout을 제안합니다. 구체적으로, 우리는 먼저 객체 분포의 통계적 사전 정보 (statistical priors)를 활용하여 학습 과정을 안내함으로써 환경 이해도와 충실도를 높입니다. 또한, 인간의 설계 워크플로우를 모방하여 큰 객체의 배치를 우선시하는 계층적 배치 전략 (hierarchical layout strategy)을 채택함으로써 배치 위반을 실질적으로 최소화합니다. 이러한 구성 요소들을 시너지화함으로써, SPG-Layout은 의미론적 사실성 (semantic realism)과 물리적 그럴듯함 (physical plausibility)의 균형 잡힌 최적화를 달성합니다. 이러한 복잡한 설정에서의 성능을 평가하기 위해, 우리는 500개의 다양한 비-맨해튼 환경으로 구성된 새로운 벤치마크를 구축했습니다. 광범위한 실험을 통해 SPG-Layout이 맨해튼 및 비-맨해튼 환경 모두에서 기존 방법들을 일관되고 유의미하게 능가함을 입증했습니다. 코드는 공개적으로 배포될 예정입니다.