Nova3D：3Dアセットをコードとして生成し、編集・アニメーション可能なプログラムに変換
Code-native generation of highly programmable 3D assets (2026)
Nova3Dは、3Dアセットを実行可能なBlenderソースコードとして生成するシステムです。出力はメッシュではなくプログラムであり、名前付きパーツ、親子関係のアセンブリ階層、計測可能な制約、局所編集ハンドル、関節を生成時点で備えます。Nova3D-Benchの54項目すべてで実行可能なプログラムと有効なアーティファクトを生成し、数値・個数制約の充足率は51/52（最良ベースラインは11/52）、局所編集の成功率は14/18、関節の幾何学的妥当性は98.3%を達成。形状品質では構造化ドメインで最強のメッシュネイティブモデルに次ぐ結果を示し、表現論的な転換を実証しています。
コードネイティブ生成は、生成された3Dオブジェクトを不透明な表面から、下流システムが検査・測定・編集・アニメーションできるプログラム可能なアセットへと変える。
HNでの議論
39- baigy
この論文の共著者です。これは、3Dグラフィックスをポイントクラウドではなくソースコードとして生成する新しい技術です。内部では、3Dオブジェクトを個別の高度な内部アセンブリで生成し、編集可能な「部品キット」（モノリシックな塊ではなく）を生成します。例えば、このアプローチで3D洗濯機を生成したとします。それは単に洗濯機のように見える「ジオメトリ」であるだけでなく、実際に`Door`、`Drum`、`Control_panel`などがあることを認識しています。どの部品がどのアセンブリに属するか、何が動き、そのピボットがどこにあるか、そして最終的にそれらのコンポーネントが何をすべきかを認識しています。現在の3D生成AIのほとんどは、見た目は良いが下流のワークフロー（ゲームエンジンなど）で使い物にならない「モノリシックな塊」を生成するため、これができません。つまり、従来のアプローチで3D自転車を生成すると、基本的には塊です。車輪を回転させる必要がある場合、人間（または別のAI）が塊を部品に切り分け、名前を付け、ピボットを配置し、ジョイントをリギングするのに時間を費やさなければなりません。つまり、何らかの生成後セグメンテーションワークフローが必要です。この論文では技術全体を解説しており、試せるショーケース（+ GitHubリポジトリ）もあります: https://nova3d.xyz/
- YuechenLi
へえ、面白い。ちょうどここ数ヶ月取り組んでいた、これに収束する研究の最終クリーンアップをしているところでした。あなたのテーゼ（CADにおける異なる方向からのコードファーストセマンティクス）に到達したと思うので、お互いのメモを比較するのは面白いと思います。
これをコンパイラ基盤に形式化しましたか？複雑な部品を構築するにはPython単体では遅すぎると思います。特に三角形メッシュでは、精度はパフォーマンスと逆相関するためです。
ビジョンは一般的にLLMにとって最も信頼できるチェック形式ではありません。GPT 5.6 Solでも同様です。そのため、私の推奨は、色/トポロジーデータのJSONまたはCSVを出力してLLMが直接検査できるようにすることです。これは、トポロジーチェックのためのレイクエリが一般的に精度を大幅に向上させるインスタンスです。SDFは現在もう少し複雑です。3D解析用に設計された完全な実装があります。
私自身の実験的なコンパイラ生成メッシュは、スパイダーウェブ効果に悩まされています。ポリゴン効率は非常に高いですが、一般的なUVアンラップにはあまり友好的ではなく、そのための正しいアプローチを見つけるのに苦労しています。提案があれば、正しいアプローチを教えていただけると嬉しいです。
とにかく非常に興味深いです。
- forelle2
とてもクールです。
「アセット・アズ・ア・サービス」は私がしばらく考えていたものです。Appleで似たような仕事をしました。
アイデアは、生成システムが実行時にどれだけの構成可能性を残すか、アセット生成時にどれだけ「コンパイルして取り除く」かを決定できる「アセット・アズ・ア・サービス」を作ることでした。
https://patentimages.storage.googleapis.com/43/19/69/c4c2dce...
https://patentimages.storage.googleapis.com/d3/4a/df/d329bb5...
https://patentimages.storage.googleapis.com/d2/31/6d/123b055...
- LarsDu88
このアプローチについて考えていましたが、この論文は基本的にそれを検証しています。
推論コストは拡散ベースのアプローチと比較して非常に高いはずです。これがより有機的な彫刻タイプのワークフローに役立つかどうか疑問です。例えば、有機的な非ハードサーフェスモデルには、拡散モデルを生成に使用し、このLLMコード生成とツール呼び出しアプローチをリトポロジーとクリーンアップに活用するなどです。
- joeld42
このアプローチ（部品を分離する）は正しいと思います。これは人間のアーティストがモデルを構築する方法であり、モデルが構築されセグメント化されると、どの部品をまとめるかを決定し、それからグループ化、リメッシュ、UVマッピング、ベイクを行うことができます。これらも難しい問題ですが、自動化に近づいています。