大規模 3D オープンワールド自動生成手法 WorldClaw──テキスト指示から空間整合性を維持したシーン構築を実現

論文概要

大規模かつ自由に探索可能な 3D オープンワールドを、オープンエンドなテキストプロンプトから自動生成するフレームワーク「WorldClaw」が提案された。従来の生成手法では、大域的な空間整合性と局所的なアセットの豊かさを同時に満たし、かつ下流の編集・再利用が可能な形式で出力することが困難であった。WorldClaw は、計画エージェントを用いた粗密（Coarse-to-Fine）アプローチにより、地形、アセット、マテリアル、空間関係を構造化し、整合性の高い大規模シーンの構築を実現している。

新規性と貢献

本研究の主要な貢献は、完全にエージェントベースで動作する粗密統合型の 3D オープンワールド生成パイプラインの確立にある。テキストから領域や地形の構造化仕様を導出する計画エージェントと、領域を認識するハイトフィールドや編集可能なテクスチャ付きメッシュを組み合わせることで、大域的な地形整合性とインスタンスレベルの編集可能性を同時に担保している。

提案手法の詳細

WorldClaw は、複数のエージェントが協調して動作するフレームワークである。まず、計画エージェントが入力テキストを解析し、領域、地形、アセット、マテリアル、およびそれらの空間関係を含む構造化仕様に変換する。次に、このセマンティックレイアウトを基に、再利用可能なアセットやプロシージャルマテリアル、領域認識型のハイトフィールドを統合して大域的に整合した地形の土台を構築する。詳細な描写が求められる領域に対しては、地形条件付きのコンポジション生成を行い、編集可能なテクスチャ付きメッシュを再構築して地形上の適切な位置に配置する。さらに、レンダリングベースのエージェントが地形、オブジェクト、外観、接触関係を反復的に洗練させる。

評価・考察

多様なオープンワールドのプロンプトを用いた評価において、WorldClaw は一貫した大域的地形構造を維持しながら、視覚的に説得力のある局所的コンテンツと、インスタンスレベルで編集可能なアセットを伴う大規模シーンの生成に成功している。

応用例と今後の展望

ゲーム開発やメタバース構築において、開発者が広大なワールドのベースレイアウトを自動生成し、その後個別のオブジェクトをプログラムや手動で編集するワークフローへの適用が期待される。特に国内のゲーム制作会社や XR コンテンツ開発スタジオにおいて、初期のプロトタイピングや背景アセットの生成コストを削減するための基盤技術としての実務インパクトが見込まれる。

結論

WorldClaw は、エージェントベースの計画と粗密統合型のアプローチにより、大域的整合性と局所的な詳細さを兼ね備えた 3D オープンワールド生成を可能にした。テキスト指示からのスケーラブルな 3D シーン構築において重要な進展を示している。

注釈

ハイトフィールド: 2次元の格子点ごとに高さ（標高）データを保持する表現形式で、大規模な地形データを効率的に扱うために広く用いられる。