FlowScene: マルチモーダルグラフ整流フローによるスタイル一貫性を備えた室内シーン生成

要約：シーン生成には広範な産業応用があり、高い現実性と形状および外観の正確な制御の両方を要求します。言語駆動の検索手法は、大規模なオブジェクトデータベースからもっともらしいシーンを構成しますが、オブジェクトレベルの制御を見落とし、しばしばシーンレベルのスタイル整合性を確保できません。グラフベースの定式化は、オブジェクトに対するより高い制御性を提供し、関係を明示的にモデリングすることで全体的な一貫性を導く一方で、既存の手法は高忠実度のテクスチャ付き結果を生成するのに苦戦し、その実用性を制限しています。FlowSceneを提案します。これは、マルチモーダルなグラフを条件にして協調的にシーンのレイアウト、オブジェクトの形状、オブジェクトのテクスチャを生成する3枝分岐のシーン生成モデルです。その核となるのは、生成過程でオブジェクト情報を交換する緊密に結合した整流フローモデルがあり、グラフ全体にわたる協調的推論を可能にします。これにより、構造と外観の両方にわたりシーンレベルのスタイル整合性を強制しつつ、オブジェクトの形状・テクスチャ・関係に対する細かな制御を実現します。広範な実験により、FlowSceneは、生成のリアリズム、スタイルの一貫性、および人間の嗜好との整合性の点で、言語条件付けベースラインとグラフ条件付けベースラインの双方を上回ることが示されています。