Astra vs Fable: 複雑な 3D シーンを V2Fun AI 3D Skill で構築

Astra と Fable の比較： V2Fun AI 3D Skill で複雑な 3D シーンを構築する

1 枚の参照画像から、 AI エージェントはどの程度正確に複雑な 3D シーンを再現できるのでしょうか？

その答えを確かめるため、散らかったオフィスの同じ画像を Astra と Fable に与え、同じバージョンの V2Fun AI 3D Skill を使って構築するよう依頼しました。シーンには家具、電子機器、壁の装飾、数十個の小物が含まれていました。各エージェントはシーンを分解し、必要な 3D アセットを生成して、 Three.js で組み立てる必要がありました。

両方のエージェントがシーンを完成させましたが、モデリングと組み立てには明らかな違いがありました。

テスト： 1 つのシーン、 2 つのワークフロー

両方のエージェントが V2Fun AI 3D Skill を使って 3D アセットを生成し、最終的なシーンの組み立てには Three.js を使用しました。

各ワークフローでは、検証用に GLB ファイル、ソースコード、スクリーンショットが生成されました。このタスクでは、 AI 生成アセットとプロシージャルジオメトリを組み合わせて使用できました。

Fable は、 AI 生成オブジェクトとコードで構築したジオメトリを組み合わせるハイブリッドモデリングを採用しました。 Astra は異なる方法を取り、シーンのほぼすべての部分に V2Fun の生成機能を適用しました。

同じオフィスを構築する 2 つのアプローチ

Fable： V2Fun で複雑なアセット、 Three.js で単純な構造

Fable はオフィスを、部屋の構造、主要な家具、機器、壁の装飾、小物という複数のグループに分けました。

机、オフィスチェア、ファイルキャビネット、テープレコーダーなど、より複雑な形状のオブジェクトには V2Fun を使用しました。壁、床、ドア、天井パネル、紙や箱などの単純なアイテムは、 Three.js でプロシージャルに構築しました。

合計で、 Fable は 14 カテゴリの AI アセットを生成し、 20 個のインスタンスに配置してから、プロシージャルジオメトリと組み合わせて部屋を完成させました。

Fable は生成モデルの最適化にも時間をかけました。ポリゴン数を減らし、テクスチャのサイズを変更することで、元のアセットをおよそ 700 万トライアングルから約 82 万トライアングルまで削減し、88.3% の削減を実現しました。最終的な GLB ファイルのサイズは約 41.1 MB でした。

このアプローチにより、シーンは比較的軽量になりました。通常の構造はコードから直接調整でき、より詳細な家具には V2Fun の 3D 生成機能を活用できました。 Fable は元のアセットと最適化済みアセットの両方も保持したため、以降の編集や置き換えが容易でした。

一方で、完成したシーンにはトレードオフも見られました。プロシージャルにモデリングされた一部の小物は、 AI 生成の家具よりもはるかに単純に見え、ディテールに目立つ差が生じました。また、 Fable は一部の家具モデルを配置場所に合わせて引き伸ばしたため、プロポーションにも影響が出ました。

Astra： V2Fun でシーン全体を生成

Astra は、より生成に重点を置いたアプローチを取りました。壁や天井パネルから家具、機器、装飾、小物に至るまで、すべてを V2Fun で生成するため、オフィスを 26 カテゴリのソースアセットに分けました。

これらのアセットは 62 個のインスタンスに配置され、 Three.js を使ってエクスポート前にスケール、位置、向き、マテリアルを調整しました。

Astra はローカルな組み立てにもより多くの作業を行いました。メッシュサーフェスを使って家具やその他の支持構造上にオブジェクトを配置し、出入口と天井の向きを調整し、複数の間隔やオクルージョンの問題を修正しました。プロジェクトの記録には 47 件のオブジェクト接触関係が含まれていました。

完成したシーンは、より一貫した経年感を備えていました。落ち着いた緑色のパレットと摩耗した表面も、元の参照画像により近いものでした。

その代償として、シーンは大幅に重くなりました。壁や天井パネルのような単純な構造も、詳細なメッシュとして生成されています。同等のポリゴン削減処理を行わなかったため、配置されたインスタンスを数えると、 Astra の最終的な GLB は約 432.6 MB、約 3,100 万トライアングルに達しました。

追加されたジオメトリによってディテールは増えましたが、一部の通常構造には依然として形状の不正確さが見られました。繰り返し配置されたオブジェクトや不均一な間隔も、最終シーンで確認できました。

Astra と Fable の比較：数値を見る

2 つの最終プロジェクトを比較すると、次のようになります。

数値は最終 GLB ファイルとプロジェクトの記録に基づいています。インスタンス化されたトライアングル数には繰り返し配置が含まれるため、実際のフレームごとのレンダリング数として扱うべきではありません。また、 2 つのワークフローでは生成範囲も異なるため、ファイルサイズ、アセット数、記録された時間は、エージェント全体の性能を直接比較する指標ではありません。

Fable は、はるかに小さく扱いやすいプロジェクトを生成しました。プロシージャルモデリングとアセット最適化を組み合わせたことで、ファイルサイズを抑えつつ、さらなる調整の余地を残しました。

Astra はより多くの個別アセットを生成し、その配置の調整にもより多くの労力をかけました。そのシーンには大幅に多くのジオメトリが保持されており、ストレージと処理の負荷も高くなりました。

ただし、ファイルサイズは全体の一部にすぎません。それぞれの結果が元のオフィスにどの程度近いかを見てみましょう。

参照画像	Fable	Astra

最終的な 3D シーンを比較する

ジオメトリとディテール：より多くのディテールがもたらす異なるトレードオフ

テクスチャのないモデルを見ると、 Fable は机、椅子、本棚の主要な形状をかなり適切に再現していました。ただし、一部の小物は単純化され、いくつかの領域ではジオメトリの融合やディテールの不均一さが見られました。

Astra のシーンには、家具と小物の両方でより多くの幾何学的ディテールが含まれていました。それでも、いくつかのエッジの効いた構造はやや軟らかく見え、ディテールの量から期待されるほど正確でない形状もありました。

Fable の最適化によってシーンは管理しやすくなり、 Astra はより多くの生成ジオメトリを保持しました。どちらのアプローチでも、個々のアセットに見られる形状とプロポーションの問題を完全に解決することはできませんでした。

Fable	Astra

マテリアルと雰囲気： Astra のほうが参照画像に近い

参照画像のオフィスには、落ち着いた緑色のトーン、使い古された家具、古びた壁、長年使用されてきた痕跡という特徴的な外観があります。

Astra はその雰囲気をより多く保持していました。部屋全体でマテリアルと風化の表現が比較的一貫しており、シーンは参照画像により近く見えました。一部の表面は、経年感を示すために色や汚れのパターンに大きく依存しており、粗さや反射の変化は限定的でした。

Fable のマテリアルは主要なオブジェクトを区別するには十分明確で、シーンには暖色と寒色の間にある程度の変化もありました。しかし、いくつかの表面は比較的新しく見えました。全体的な結果は、元の画像に見られる古びた閉塞感のある雰囲気よりも、一般的な稼働中のオフィスに近い印象でした。

Fable	Astra

シーンレイアウト：家具はあるが、部屋の印象は異なる

両方のエージェントは主要な家具を特定し、認識可能なオフィスになるよう配置できました。机、棚、ファイルキャビネットなどの主要なオブジェクトは、概ね想定される場所に配置されていました。

参照画像と全体的なレイアウトを比較すると、違いがより明確になります。

元の部屋は、家具や小物が近接して配置された、混み合った印象です。手前のオブジェクトが後ろのオブジェクトを部分的に遮り、より強い奥行き感と、より密度の高い室内空間を生み出しています。

再構築されたシーンは、どちらもより広く整然として見えます。

Fable は配置を成立させるために一部の家具を引き伸ばしたり再配置したりし、その過程でいくつかのプロポーションを変えました。 Astra はオブジェクトの配置と接触点をより局所的に修正しましたが、全体的な間隔は依然として参照画像より広くなっていました。

完成したシーンは開いて確認し、編集することができます。ただし、元の構図と空間的な関係をより正確に再現するには、レイアウトにはまだ改善の余地があります。

AI 3D ワークフローにとって何を意味するのか？

このテストは、 AI エージェントと V2Fun を使って複雑な 3D シーンを構築するための、実用的な 2 つの方法を示しています。

Fable は複雑なオブジェクトを V2Fun に割り当て、通常の構造には Three.js を使用し、最終的な組み立て前にアセットを最適化しました。その結果、軽量なプロジェクトとなり、以降の編集にもより直接的に対応できました。

Astra は V2Fun 生成アセットをより広範囲に使用し、組み立て中にも追加の調整を行いました。最終シーンはより一貫したビジュアルスタイルと、より詳細な局所配置を備えていましたが、ジオメトリは大幅に重いままでした。

どちらのワークフローでも、完成したオフィスシーンが生成されました。また、家具のプロポーション、オブジェクトの間隔、オクルージョン、全体の構図には、いずれも目に見える違いが残りました。

これらの結果を改善するには、組み立ての全工程を通じて参照画像との比較チェックを強化する必要があります。まず部屋のプロポーションとカメラフレーミングを早い段階で確立し、その後、配置、オクルージョン、マテリアル、ライティングをより細かく調整する必要があります。

複雑な 3D プロジェクトでは、個々のアセットを生成すること自体が、すでにワークフローの大きな部分を占めています。アセットをどのように整理、配置、最適化、修正するかも、完成したシーンに同じくらい大きな影響を与えます。

独自のエージェントワークフローでコンポーネントベースの 3D 生成を試すには、詳細について V2Fun AI 3D Skill のページをご覧ください。