PhyMix：暗黙—明示的最適化による、物理的に整合した単一画像3D屋内シーン生成に向けて

要旨: 既存の単一画像ベースの3D屋内シーン生成器は、多くの場合、見た目にはもっともらしい結果を出すものの、現実世界の物理法則に従えず、その信頼性がロボティクス、身体性を備えたAI、デザインの分野で制限されています。このギャップを調べるために、4つの主要側面（幾何学的事前知識、接触、安定性、展開可能性）を測定する統一型Physics Evaluator（物理評価器）を導入します。さらに、これらは9つのサブ制約に分解され、物理的整合性を測る最初のベンチマークを確立します。この評価器に基づく分析により、最先端手法の多くが依然として物理を十分に認識していないことが示されます。この制約を克服するために、Physics Evaluatorからのフィードバックを学習と推論の両方に統合する枠組みをさらに提案し、生成されたシーンの物理的妥当性を高めます。具体的には、補完的な2つのコンポーネントから構成されるPhyMixを提案します：（i）Scene-GRPOによる暗黙的アラインメント。これはcritic（批評家）を必要としないグループ相対方策最適化であり、Physics Evaluatorを選好信号として利用し、物理的に実現可能なレイアウトへサンプリングをバイアスします。（ii）Test-Time Optimizer（TTO）による明示的な洗練。プラグアンドプレイ型で、微分可能な評価器の信号を用いて生成中の残差的な違反を修正します。全体として、本手法は評価、報酬設計、推論時の補正を統合し、視覚的に忠実でありながら物理的にも妥当な3D屋内シーンを生成します。大規模な合成評価により、視覚的忠実性と物理的妥当性の両方において最先端の性能を確認し、さらに、スタイライズされた画像および現実世界の画像における広範な定性的例によって、本手法の頑健性が一層示されます。掲載時にコードとモデルを公開します。