論文の概要: G-DexGrasp: Generalizable Dexterous Grasping Synthesis Via Part-Aware Prior Retrieval and Prior-Assisted Generation

• arxiv url: http://arxiv.org/abs/2503.19457v1
• Date: Tue, 25 Mar 2025 08:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:09.072854
• Title: G-DexGrasp: Generalizable Dexterous Grasping Synthesis Via Part-Aware Prior Retrieval and Prior-Assisted Generation
• Title（参考訳）: G-DexGrasp: 事前検索と事前アシスト生成を意識した汎用デキスタラスグラフプ合成
• Authors: Juntao Jian, Xiuping Liu, Zixuan Chen, Manyi Li, Jian Liu, Ruizhen Hu,
• Abstract要約: G-DexGraspは,高品質なデキスタスハンド構成を生成するための検索拡張型生成手法である。 キーは、きめ細かい接触部と、関連する把握インスタンスの割当関連分布を含む、一般化可能な把握先を検索することである。
• 参考スコア（独自算出の注目度）: 19.305034921592362
• License:
• Abstract: Recent advances in dexterous grasping synthesis have demonstrated significant progress in producing reasonable and plausible grasps for many task purposes. But it remains challenging to generalize to unseen object categories and diverse task instructions. In this paper, we propose G-DexGrasp, a retrieval-augmented generation approach that can produce high-quality dexterous hand configurations for unseen object categories and language-based task instructions. The key is to retrieve generalizable grasping priors, including the fine-grained contact part and the affordance-related distribution of relevant grasping instances, for the following synthesis pipeline. Specifically, the fine-grained contact part and affordance act as generalizable guidance to infer reasonable grasping configurations for unseen objects with a generative model, while the relevant grasping distribution plays as regularization to guarantee the plausibility of synthesized grasps during the subsequent refinement optimization. Our comparison experiments validate the effectiveness of our key designs for generalization and demonstrate the remarkable performance against the existing approaches. Project page: https://g-dexgrasp.github.io/
• Abstract（参考訳）: 近年のデクスタス・グリーディング・シンセサイザーの進歩は,多くの作業目的に対して合理的かつ妥当なグリーディングを創出する上で大きな進歩を見せている。 しかし、未確認のオブジェクトカテゴリや多様なタスク命令を一般化することは依然として困難である。 本稿では,G-DexGraspを提案する。G-DexGrasp,G-DexGrasp,G-DexGrasp,G-DexGrasp,G-DexGrasp,G-DexGrasp,G-DexGrasp,G-DexGrasp,G-DexGrasp,G -DexGrasp。 キーは、以下の合成パイプラインに対して、きめ細かい接触部と、関連する把握インスタンスの割当関連分布を含む一般化可能な把握先を検索することである。 具体的には、微粒な接触部と空隙が一般化可能なガイダンスとして機能し、未確認物体の合理的な把握構成を生成モデルで推測する一方、関連する把握分布は正則化として機能し、その後の精細化最適化において、合成された把握の可否が保証される。 本比較実験は,提案手法の有効性を検証し,既存手法に対する顕著な性能を示すものである。 プロジェクトページ: https://g-dexgrasp.github.io/

関連論文リスト

• Warmup Generations: A Task-Agnostic Approach for Guiding Sequence-to-Sequence Learning with Unsupervised Initial State Generation [34.55224347308013]
  シーケンシャル・ツー・シークエンス・タスクのための従来の教師付き微調整(SFT)戦略は、しばしばターゲット出力を直接生成するようにモデルを訓練する。 モデルが中間の"upwarm"シーケンスを生成可能なタスク非依存フレームワークを提案する。 提案手法は従来のSFT手法よりも優れており,シーケンシャル・ツー・シーケンス・タスクに対してスケーラブルで柔軟なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-17T20:23:42Z)
• Structural generalization in COGS: Supertagging is (almost) all you need [12.991247861348048]
  最近のセマンティック解析データセットは、合成一般化が必要な場合において、ニューラルネットワークの重要な制限を提示している。 この問題を軽減するために、ニューラルネットワークベースのセマンティックパーシングフレームワークをいくつかの方法で拡張します。
  論文  参考訳（メタデータ） (2023-10-21T21:51:25Z)
• ExeDec: Execution Decomposition for Compositional Generalization in Neural Program Synthesis [54.18659323181771]
  プログラム合成において望ましいいくつかの異なる構成一般化形式を特徴付ける。 本稿では,ExeDecを提案する。ExeDecは,実行サブゴールを予測し,各ステップでプログラム実行によって段階的に通知される問題を解くための,新しい分解ベースの戦略である。
  論文  参考訳（メタデータ） (2023-07-26T01:07:52Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)
• Disentangled Sequence to Sequence Learning for Compositional Generalization [62.954842223732435]
  本稿では,ソース入力を適応的に再符号化することで,不整合表現の学習を可能にするシーケンス・ツー・シーケンス・モデルの拡張を提案する。 意味解析と機械翻訳の実験結果から,提案手法はより不整合な表現とより優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-10-09T22:27:19Z)
• Lexically-constrained Text Generation through Commonsense Knowledge Extraction and Injection [62.071938098215085]
  我々は、ある入力概念のセットに対して妥当な文を生成することを目的としているcommongenベンチマークに焦点を当てる。 生成したテキストの意味的正しさを高めるための戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-19T23:23:40Z)
• Infusing Finetuning with Semantic Dependencies [62.37697048781823]
  シンタックスとは異なり、セマンティクスは今日の事前訓練モデルによって表面化されないことを示す。 次に、畳み込みグラフエンコーダを使用して、タスク固有の微調整にセマンティック解析を明示的に組み込む。
  論文  参考訳（メタデータ） (2020-12-10T01:27:24Z)
• SynCGAN: Using learnable class specific priors to generate synthetic data for improving classifier performance on cytological images [3.0245533608670865]
  注記画像に対するパスリアリスティックなサンプル生成のための条件付きGANを提案する。 我々は,提案したSynCGANを用いたデータ拡張により,ResNet-152,DenseNet-161,Inception-V3などの美術分類器の性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-12T11:23:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。