Astra vs. Fable: Aufbau komplexer 3D-Szenen mit V2Fun AI 3D Skill

Astra vs. Fable: Komplexe 3D-Szenen mit V2Fun AI 3D Skill erstellen

Wie gut können KI-Agenten eine komplexe 3D-Szene anhand eines einzigen Referenzbildes nachbilden?

Um das herauszufinden, gaben wir Astra und Fable dasselbe Bild eines überfüllten Büros und baten sie, es mit derselben Version des V2Fun AI 3D Skill zu erstellen. Die Szene umfasste Möbel, elektronische Geräte, Wanddekorationen und Dutzende kleinerer Objekte. Jeder Agent musste die Szene analysieren, die erforderlichen 3D-Assets generieren und sie in Three.js zusammenbauen.

Beide Agenten stellten die Szene fertig, verfolgten bei Modellierung und Zusammenbau jedoch deutlich unterschiedliche Ansätze.

Der Test: Eine Szene, zwei Workflows

Beide Agenten nutzten den V2Fun AI 3D Skill, um 3D-Assets zu generieren, während Three.js den abschließenden Szenenzusammenbau übernahm.

Jeder Workflow erzeugte eine GLB-Datei, Quellcode und Screenshots zur Überprüfung. Die Aufgabe erlaubte eine Kombination aus KI-generierten Assets und prozeduraler Geometrie.

Fable verwendete einen hybriden Modellierungsansatz, der KI-generierte Objekte mit in Code erstellter Geometrie kombinierte. Astra wählte einen anderen Weg und erweiterte die V2Fun-Generierung auf nahezu jeden Teil der Szene.

Zwei Ansätze zum Erstellen desselben Büros

Fable: Komplexe Assets mit V2Fun, einfache Strukturen mit Three.js

Fable teilte das Büro in mehrere Gruppen auf: Raumstruktur, Hauptmöbel, Ausrüstung, Wanddekorationen und kleinere Objekte.

Fable nutzte V2Fun zur Generierung von Objekten mit komplexeren Formen, darunter Schreibtische, Bürostühle, Aktenschränke und ein Tonbandgerät. Wände, Böden, Türen, Deckenpaneele und einfachere Elemente wie Papiere und Kartons wurden prozedural mit Three.js erstellt.

Insgesamt generierte Fable 14 Kategorien von KI-Assets, verteilt auf 20 Instanzen, und kombinierte sie anschließend mit prozeduraler Geometrie, um den Raum fertigzustellen.

Fable investierte außerdem Zeit in die Optimierung der generierten Modelle. Durch die Reduzierung der Polygonanzahl und die Anpassung der Texturgrößen wurden die Quell-Assets von ungefähr 7 Millionen Dreiecken auf etwa 820.000 reduziert, eine Verringerung um 88,3 %. Die finale GLB-Datei war ungefähr 41,1 MB groß.

Dieser Ansatz hielt die Szene relativ leichtgewichtig. Reguläre Strukturen konnten direkt über den Code angepasst werden, während detailliertere Möbel von den 3D-Generierungsfunktionen von V2Fun profitierten. Fable behielt außerdem sowohl die ursprünglichen als auch die optimierten Assets, was weitere Bearbeitungen und Ersetzungen erleichterte.

Der Kompromiss war in der fertigen Szene sichtbar. Einige prozedural modellierte Requisiten wirkten deutlich einfacher als die KI-generierten Möbel, wodurch auffällige Unterschiede im Detailgrad entstanden. Fable streckte außerdem bestimmte Möbelmodelle, damit sie an ihre Positionen passten, was ihre Proportionen beeinflusste.

Astra: Die gesamte Szene mit V2Fun generieren

Astra verfolgte einen stärker auf Generierung ausgerichteten Ansatz. Der Agent teilte das Büro in 26 Kategorien von Quell-Assets auf und schickte alles – von Wänden und Deckenpaneelen bis hin zu Möbeln, Ausrüstung, Dekorationen und kleinen Objekten – durch V2Fun.

Diese Assets wurden in 62 Instanzen angeordnet, wobei Three.js verwendet wurde, um vor dem Exportieren der Szene ihre Skalierung, Position, Ausrichtung und Materialien anzupassen.

Astra investierte außerdem mehr Arbeit in den lokalen Zusammenbau. Der Agent nutzte Mesh-Oberflächen, um Objekte auf Möbeln und anderen tragenden Strukturen zu positionieren, passte die Ausrichtung der Türöffnung und der Decke an und korrigierte mehrere Probleme bei Abständen und Verdeckung. Die Projektaufzeichnungen enthielten 47 Objektkontaktbeziehungen.

Die daraus resultierende Szene hatte ein einheitlicheres gealtertes Erscheinungsbild. Ihre gedämpfte grüne Farbpalette und abgenutzten Oberflächen kamen der ursprünglichen Referenz ebenfalls näher.

Der Preis dafür war eine wesentlich schwerere Szene. Selbst einfache Strukturen wie Wände und Deckenpaneele wurden als detaillierte Meshes generiert. Ohne einen vergleichbaren Polygonreduzierungsschritt erreichte Astras finale GLB-Datei ungefähr 432,6 MB, mit rund 31 Millionen Dreiecken, wenn platzierte Instanzen mitgezählt wurden.

Die zusätzliche Geometrie bewahrte mehr Details, doch einige reguläre Strukturen wiesen weiterhin Formungenauigkeiten auf. Wiederholte Objekte und ungleichmäßige Abstände waren ebenfalls in der finalen Szene sichtbar.

Astra vs. Fable: Ein Blick auf die Zahlen

Hier ist ein Vergleich der beiden fertigen Projekte.

Die Zahlen stammen aus den finalen GLB-Dateien und den Projektaufzeichnungen. Die Anzahl der instanzierten Dreiecke umfasst wiederholte Platzierungen und sollte nicht als tatsächliche Rendering-Anzahl pro Frame betrachtet werden. Die beiden Workflows unterschieden sich außerdem im Umfang der Generierung, daher sind Dateigröße, Asset-Anzahl und aufgezeichnete Zeit keine direkt vergleichbaren Maßstäbe für die Gesamtleistung der Agenten.

Fable erstellte ein wesentlich kleineres und besser handhabbares Projekt. Die Kombination aus prozeduraler Modellierung und Asset-Optimierung half dabei, die Dateigröße gering zu halten und gleichzeitig Raum für weitere Anpassungen zu lassen.

Astra generierte mehr individuelle Assets und investierte mehr Aufwand in deren Platzierung. Die Szene bewahrte deutlich mehr Geometrie, was höhere Anforderungen an Speicherplatz und Verarbeitung mit sich brachte.

Die Dateigröße ist jedoch nur ein Teil des Gesamtbildes. Sehen wir uns an, wie genau jedes Ergebnis dem ursprünglichen Büro entspricht.

Referenzbild	Fable	Astra

Vergleich der fertigen 3D-Szenen

Geometrie und Detailgrad: Mehr Details, andere Kompromisse

Bei Betrachtung der untexturierten Modelle erfasste Fable die Hauptformen der Schreibtische, Stühle und Bücherregale recht gut. Einige kleinere Objekte wurden jedoch vereinfacht, und in einigen Bereichen waren zusammengeführte Geometrie oder ein ungleichmäßiger Detailgrad zu erkennen.

Astras Szene enthielt sowohl bei den Möbeln als auch bei kleineren Requisiten mehr geometrische Details. Dennoch wirkten mehrere Strukturen mit harten Kanten leicht abgerundet, und einige Formen waren weniger akkurat, als ihr Detailgrad vermuten ließ.

Fables Optimierung machte die Szene leichter handhabbar, während Astra mehr der generierten Geometrie beibehielt. Keiner der beiden Ansätze löste die bei einzelnen Assets sichtbaren Probleme mit Form und Proportion vollständig.

Fable	Astra

Materialien und Atmosphäre; Astra kommt der Referenz näher

Das Referenzbüro hat ein unverwechselbares Erscheinungsbild: gedämpfte Grüntöne, abgenutzte Möbel, gealterte Wände und Zeichen langjähriger Nutzung.

Astra bewahrte mehr von dieser Atmosphäre. Seine Materialien und Verwitterung waren im gesamten Raum relativ einheitlich, wodurch die Szene der Referenz stärker ähnelte. Einige Oberflächen stützten sich weiterhin stark auf Farb- und Schmutzmuster, um Alter anzudeuten, mit begrenzten Variationen bei Rauheit und Reflexionen.

Fables Materialien waren ausreichend klar, um die wichtigsten Objekte zu unterscheiden, und die Szene wies einige Variationen zwischen warmen und kühlen Farbtönen auf. Mehrere Oberflächen wirkten jedoch vergleichsweise neu. Insgesamt erinnerte das Ergebnis eher an ein gewöhnliches Arbeitsbüro und vermittelte weniger von der gealterten, geschlossenen Atmosphäre des Originals.

Fable	Astra

Szenenlayout: Die Möbel sind vorhanden, aber der Raum wirkt anders

Beide Agenten konnten die wichtigsten Möbel erkennen und zu einem wiedererkennbaren Büro anordnen. Schreibtische, Regale, Aktenschränke und andere größere Objekte wurden im Allgemeinen in den erwarteten Bereichen platziert.

Die Unterschiede werden beim Vergleich des gesamten Layouts mit der Referenz deutlicher.

Der ursprüngliche Raum wirkt überfüllt, da Möbel und kleinere Objekte eng beieinander stehen. Objekte im Vordergrund versperren teilweise die Sicht auf dahinterliegende Objekte, wodurch ein stärkeres Tiefengefühl und ein engerer Innenraum entstehen.

Beide rekonstruierten Szenen wirken geräumiger und aufgeräumter.

Fable streckte einige Möbel oder positionierte sie neu, damit die Anordnung funktionierte, und veränderte dabei einige Proportionen. Astra nahm mehr lokale Korrekturen an Objektpositionen und Kontaktpunkten vor, doch die Abstände waren insgesamt weiterhin großzügiger als in der Referenz.

Die fertigen Szenen können geöffnet, überprüft und bearbeitet werden. Ihre Layouts müssen jedoch weiterhin verbessert werden, um der ursprünglichen Komposition und den räumlichen Beziehungen besser zu entsprechen.

Was bedeutet das für KI-3D-Workflows?

Der Test zeigt zwei praktikable Möglichkeiten, mit einem KI-Agenten und V2Fun eine komplexe 3D-Szene zu erstellen.

Fable übertrug komplexe Objekte an V2Fun, nutzte Three.js für reguläre Strukturen und optimierte die Assets vor dem abschließenden Zusammenbau. Das Ergebnis war ein leichteres Projekt mit einem unkomplizierteren Weg für weitere Bearbeitungen.

Astra stützte sich umfangreicher auf mit V2Fun generierte Assets und nahm während des Zusammenbaus zusätzliche Anpassungen vor. Seine finale Szene hatte einen einheitlicheren visuellen Stil und detailliertere lokale Platzierungen, obwohl die Geometrie weiterhin deutlich schwerer war.

Beide Workflows erzeugten vollständige Büroszenen. Beide hinterließen außerdem sichtbare Unterschiede bei Möbelproportionen, Objektabständen, Verdeckungen und der Gesamtkomposition.

Um diese Ergebnisse zu verbessern, sind während des gesamten Zusammenbauprozesses bessere Abgleiche mit dem Referenzbild erforderlich. Raumproportionen und Kamerarahmen müssen früh festgelegt werden, gefolgt von genaueren Anpassungen an Platzierung, Verdeckung, Materialien und Beleuchtung.

Bei komplexen 3D-Projekten ist die Generierung der einzelnen Assets bereits ein wesentlicher Teil des Workflows. Wie diese Assets organisiert, positioniert, optimiert und überarbeitet werden, beeinflusst die fertige Szene ebenso stark.

Wenn du die komponentenbasierte 3D-Generierung in deinen eigenen Agent-Workflows erkunden möchtest, besuche die Seite zum V2Fun AI 3D Skill, um mehr zu erfahren.