近年、3Dシーンレイアウト生成はコンピュータビジョンとロボティクスの重要な研究分野となっている。相対空間関係（例：「AはBの左にある」）は空間構造のコンパクトな表現であり、レイアウト推論の基盤である。しかし、既存手法はマルチモーダル大規模言語モデル（MLLM）を用いてこれらの関係を推論するが、その結果はしばしば信頼性に欠け、事後的なヒューリスティック処理が必要であり、実用上の課題となっている。
最新のarXivプレプリント（2605.06758）において、Zhifeng GuらはR$^3$Lフレームワークを提案し、相対空間推論の信頼性と一貫性を根本的に向上させた。本研究の核心的な洞察は、マルチホップ推論（複数の関係連鎖を通じて間接的にレイアウトを導出するプロセス）では繰り返し参照枠変換が必要であり、そのたびに誤差が蓄積し、意味的・計量的なドリフトが生じる点にある。例えば、「机は椅子の左にある」と「花瓶は机の上にある」から「花瓶の椅子に対する位置」を推論する際、参照枠の不一致が累積誤差を引き起こす。
この問題に対処するため、R$^3$Lフレームワークは以下の3つの要素から構成される：
- 不変空間分解（Invariant Spatial Decomposition）：結合された関係連鎖を独立した不変空間に分離し、誤差の連鎖的伝播を防ぐ。
- 一貫した空間想像（Consistent Spatial Imagination）：「想像-修正」ループによる反復調整機構を通じて、レイアウトの自己無撞着性を高める。
- 支援的空間最適化（Supportive Spatial Optimization）：大域から局所への座標再パラメータ化戦略を用いて姿勢最適化を簡略化し、計算効率を向上させる。
研究者らは室内外レイアウトや物体積み上げなど多様なシーンタイプと指示のもとで広範な実験を実施した。結果は、R$^3$Lが生成するレイアウトが物理的実現可能性（貫通がない、安定した配置など）と意味的一貫性（常識的な空間関係に合致する）の両面でベースライン手法を有意に上回ることを示した。さらなる分析により、参照枠起因の不整合の解決が信頼できるマルチホップ相対空間推論に不可欠であることが明らかになった。
本研究成果はICML 2026に採択され、コードはGitHub（https://github.com/Neal2020GitHub/R3L）で公開されている。R$^3$Lは3Dレイアウト生成に堅牢なソリューションを提供し、具現化知能やバーチャルリアリティ分野の発展に貢献することが期待される。