Procedura: プロシージャル制御を用いたエージェンティック3Dモデリング

要旨

ネイティブ3D生成器は現在、単一の画像から印象的なメッシュ形状を復元できるようになった。しかし、高密度メッシュは、機械加工された物体が鋭利であるべき箇所では柔らかくなったままであり、部品分解を持たず、ユーザーが編集できるパラメータも公開しない。この問題に対処するため、我々は「3D形状をコードとして扱う」パラダイムを探求し、3DモデリングのためにLLMのコーディング能力を活用・拡張する。我々はProceduraを紹介する。これは、オブジェクトを手続き的アセンブリとして記述する新しい3Dモデリングエージェントフレームワークであり、名前付き部品が、型付きで機械検証可能なマテによって結合されたパラメトリックプログラムである。テキストプロンプトから、エージェントはオブジェクトをアセンブリグラフとして計画し、プログラムを部品ごとに記述する。各配置は推測ではなくマテフレームから求解し、コンパイル、マテ、接続性のチェックがすべて合格した場合にのみ部品を受理する。分離されたビジョン批評器は、診断された修正を一度に1つずつ適用しながらアセンブリを洗練する。さらに、同じグラフは部品ごとのマテリアルと、シミュレータで検証された関節構造を保持する。我々は、P3D-Benchをそのアセンブリ評価器で評価し、同じ評価器を用いて、我々のハードサーフェスベンチマークであるMechBench-36でも評価する。両方において、Proceduraは判定品質で最先端のネイティブ3D生成器および従来のすべての3Dコードエージェントを上回り、評価したどの手法よりも鋭いエッジを生成し、出力が編集可能で部品構造化されたプログラムである唯一の手法である。

English

Native 3D generators now recover impressive mesh geometry from a single image. However, a dense mesh stays soft where a machined object should be sharp, it carries no part decomposition, and it exposes no parameter a user could edit. To address this, we explore the paradigm of 3D shape as code, leveraging and scaling the coding ability of an LLM for 3D modeling. We introduce Procedura, a novel 3D modeling agent framework that writes an object as a procedural assembly, a parametric program whose named parts are joined by typed, machine-checkable mates. From a text prompt, the agent plans the object as an assembly graph and writes the program part by part, solving each placement from the mated frames rather than guessing it, and admitting a part only once compile, mate, and connectivity checks pass. A decoupled vision critic then refines the assembly one diagnosed fix at a time. Moreover, the same graph carries per-part materials and a simulator-validated articulation. We evaluate on P3D-Bench under its assembly judge, and with the same judge on MechBench-36, our hard-surface benchmark. On both, Procedura outperforms state-of-the-art native 3D generators and every prior 3D-code agent on judged quality, produces the sharpest edges of any method we evaluate, and is the only one whose output is an editable, part-structured program.