arXivに投稿された新しい論文「StackGen3D: Stable 3D Block Stack Generation from Multiview Silhouettes」は、視覚的な仕様から安定した3次元ブロック構造を生成するフレームワークを提案している。著者はXiaopeng Zhang氏ら4名で、2026年10月22日にarXivへ提出された。分類はコンピュータビジョンとパターン認識（cs.CV）およびロボティクス（cs.RO）である。
この論文が扱う中心的な問題は、視覚的な仕様だけが与えられたときに、見た目の要件を満たしつつ物理的に安定して立つブロックの組み合わせをどう生成するかという点にある。同じ多視点シルエットには多数の異なる3次元配置が対応し得るため、モデルは幾何学的な曖昧さを解消しながら、ブロック間の支持、接触、相互貫入といった物理的制約も考慮しなければならない。
StackGen3Dの入力は、与えられたブロックの在庫と、3方向の正投影シルエットである。出力は、これらのシルエットに合致し、かつ物理的に安定したブロックの集合となる。著者は手法を2つの段階に分けている。
第1段階では、物理情報を組み込んだグラフニューラルネットワーク（PI-GNN）を用いる。このネットワークはブロックをノードとして扱い、ブロック間の支持関係を明示的にモデル化することで、候補構造が安定かどうかを高速に判定する。予測が高速であるため、この予測器を使って大規模で多様な安定構造のデータセットを選別・整備でき、後続の生成モデルの訓練素材とすることができる。実験では、パラメータ数を揃えた多層パーセプトロンと比較して、PI-GNNは単純な積み上げ構造から複雑な構造へ汎化する能力が大幅に高いことが示された。これは支持関係を構造化してモデル化したことが実際に効果を生んでいることを示唆する。
第2段階では、この安定構造データセット上で条件付きフローマッチングモデルを訓練する。このモデルは、目標シルエットと整合するブロック配置の多峰的分布を学習することを目的としており、同じシルエットに対して単一の解だけでなく複数の妥当な配置をカバーできる。
推論時には、物理シミュレーションに頼って安定性を確保するのではなく、軽量な幾何学的選択と精緻化のステップによってブロック間の相互貫入を低減し、さらにBest-of-10の選択戦略で複数の候補から最良の結果を選び出す。論文で報告された予備実験によれば、この選択戦略により生成構造の物理的安定性は45.3%から72.4%へ向上し、同時にシルエットIoUは0.970に達した。これは生成結果が目標形状への適合性において良好な性能を示すことを意味する。
著者はこれらの結果が、関係的な物理推論、スケーラブルなデータ整備、条件付き生成モデリングを組み合わせることによる創造的な3次元組み立ての可能性を示すものだと述べている。なお、本プロジェクトにはウェブサイトが公開されており、IROS 2026のCreativity in Assembly Workshopでポスター発表（非アーカイブ）が行われる予定である。