論文の概要: SPARK: Sim-ready Part-level Articulated Reconstruction with VLM Knowledge

• arxiv url: http://arxiv.org/abs/2512.01629v2
• Date: Tue, 02 Dec 2025 06:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 14:50:32.100811
• Title: SPARK: Sim-ready Part-level Articulated Reconstruction with VLM Knowledge
• Title（参考訳）: SPARK: VLM知識によるパートレベル調音再構成
• Abstract要約: アーティキュレートされた3Dオブジェクトは、AI、ロボティクス、インタラクティブなシーン理解に不可欠である。 SPARKは1枚のRGB画像から物理的に一貫した運動的部分レベルの調音オブジェクトを再構成するフレームワークである。
• 参考スコア（独自算出の注目度）: 22.64986854574998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Articulated 3D objects are critical for embodied AI, robotics, and interactive scene understanding, yet creating simulation-ready assets remains labor-intensive and requires expert modeling of part hierarchies and motion structures. We introduce SPARK, a framework for reconstructing physically consistent, kinematic part-level articulated objects from a single RGB image. Given an input image, we first leverage VLMs to extract coarse URDF parameters and generate part-level reference images. We then integrate the part-image guidance and the inferred structure graph into a generative diffusion transformer to synthesize consistent part and complete shapes of articulated objects. To further refine the URDF parameters, we incorporate differentiable forward kinematics and differentiable rendering to optimize joint types, axes, and origins under VLM-generated open-state supervision. Extensive experiments show that SPARK produces high-quality, simulation-ready articulated assets across diverse categories, enabling downstream applications such as robotic manipulation and interaction modeling. Project page: https://heyumeng.com/SPARK/index.html.
• Abstract（参考訳）: 人工的な3Dオブジェクトは、AI、ロボティクス、インタラクティブなシーン理解に欠かせないが、シミュレーション可能なアセットの作成は労働集約的であり、部分階層とモーション構造を専門的にモデル化する必要がある。 SPARKは1枚のRGB画像から物理的に一貫した運動的部分レベルの調音オブジェクトを再構成するフレームワークである。 入力画像が与えられた場合、まずVLMを利用して粗いURDFパラメータを抽出し、部分レベルの参照画像を生成する。 次に、部分像誘導と推定構造グラフを生成拡散変換器に統合し、調音対象の整合部分と完全形状を合成する。 URDFパラメータをさらに洗練するために、VLM生成したオープンステート監視の下で、関節の種類、軸、起源を最適化するために、微分可能前方運動学と微分可能レンダリングを取り入れた。 大規模な実験により、SPARKは様々なカテゴリーにまたがって高品質でシミュレーション可能な音響資産を生産し、ロボット操作や相互作用モデリングといった下流の応用を可能にした。 プロジェクトページ: https://heyumeng.com/SPARK/index.html

関連論文リスト

• GIF: Agentic Generation of Interactive and Functional Object Compositions for Robot Learning [15.060587346990792]
  本稿では,対話型および関数型オブジェクト合成のためのエージェント生成フレームワークであるGIFを紹介する。 GIFは、アセット品質と関係マッチングの両方を改善し、衝突率を1%以下に下げる。 我々は政策学習のためのデータを合成し、シミュレーションと実世界の展開の両方において多様性のスケーリングを明らかにする。
  論文  参考訳（メタデータ） (2026-09-05T06:36:20Z)
• RORA: Realistic Object Reconstruction with Articulation [10.305820103142269]
  本研究では,1つの静的オブジェクトビデオ入力から正確な調音でシミュレーション可能なアセットを再構築する,最初のエンドツーエンドパイプラインを提案する。 提案手法は,レンダリングのための3DGSと物理インタラクションのためのメッシュベースの幾何学を組み合わせたハイブリッド表現を輸出する。 提案手法は,partnet-mobility-v0データセットと実オブジェクトに対して,正確な調音結果が得られることを示す。
  論文  参考訳（メタデータ） (2026-08-05T13:36:58Z)
• Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control [86.64250947574749]
  合成された3Dオブジェクトの再構成は、アニメーション、ゲーム、ロボットシミュレーションにおいて重要である。 最近のニューラルネットワークは、3Dオブジェクトの明瞭な構造を推定できるが、その一般化は注釈付きデータの不足によって制限されている。 Instruct-Particulateは、3Dメッシュとターゲットキネマティック仕様を併用するモデルである。
  論文  参考訳（メタデータ） (2026-06-12T17:59:36Z)
• Toward Visually Realistic Simulation: A Benchmark for Evaluating Robot Manipulation in Simulation [62.51953630639423]
  既存のベンチマークには視覚的リアリズムがなく、シミュレーションと現実の間に大きな領域ギャップが生じる。 シミュレーションにおけるロボット操作評価のための,視覚的にリアルなベンチマークであるVISERを提案する。 VISERは、物理ベースのレンダリング(PBR)素材を備えた1000以上の3Dアセットの高忠実度データセットと、それらのアセットから作成される3Dシーンを、レイアウトや生成によって構成する。
  論文  参考訳（メタデータ） (2026-05-07T14:13:05Z)
• URDF-Anything+: Autoregressive Articulated 3D Models Generation for Physical Simulation [45.4820195450296]
  本稿では,視覚的観察から実行可能なオブジェクトモデルを直接生成する,エンドツーエンドの自動回帰フレームワークを提案する。 視覚的観察から構築された高忠実度デジタル双生児は、シミュレーションで訓練されたポリシーを、オンライン適応なしで実際のロボットに転送することができる。
  論文  参考訳（メタデータ） (2026-03-14T16:23:44Z)
• ArtLLM: Generating Articulated Assets via 3D LLM [19.814132638278547]
  ArtLLMは、完全な3Dメッシュから直接高品質な調音資産を生成するための新しいフレームワークである。 コアとなるのは,大規模な調音データセットに基づいてトレーニングされた,3Dマルチモーダルな大規模言語モデルだ。 実験の結果,ArtLLMは部品配置精度と接合予測の両方で最先端の手法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2026-03-01T15:07:46Z)
• PhyScensis: Physics-Augmented LLM Agents for Complex Physical Scene Arrangement [89.35154754765502]
  PhyScensisは物理エンジンを動力とするエージェントベースのフレームワークで、物理的に可視なシーン構成を生成する。 本フレームワークは,微粒なテキスト記述や数値パラメータに対する強い制御性を保っている。 実験の結果,本手法はシーンの複雑さ,視覚的品質,身体的精度において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-02-16T17:55:25Z)
• AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
  本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。 我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
  論文  参考訳（メタデータ） (2026-02-04T15:42:58Z)
• LARM: A Large Articulated-Object Reconstruction Model [29.66486888001511]
  LARMは、スパースビュー画像から3Dの明瞭なオブジェクトを再構成する統合フィードフォワードフレームワークである。 LARMは、ディープマップやパートマスクなどの補助出力を生成し、明示的な3Dメッシュ抽出と関節推定を容易にする。 我々のパイプラインは、密集した監視の必要性を排除し、多様な対象カテゴリにわたる高忠実度再構築をサポートする。
  論文  参考訳（メタデータ） (2025-11-14T18:55:27Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• KineDiff3D: Kinematic-Aware Diffusion for Category-Level Articulated Object Shape Reconstruction and Generation [28.822034731724013]
  ノートパソコンや引き出しなどのアーティキュレートオブジェクトは、3D再構成とポーズ推定において重要な課題を示す。 そこで我々は, KineDiff3D: Kinematic-Aware Diffusion for Category-Level Articulated Object Shape Reconstruction and Generationを提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:15:40Z)
• IAAO: Interactive Affordance Learning for Articulated Objects in 3D Environments [56.85804719947]
  IAAOは知的エージェントのための明示的な3Dモデルを構築するフレームワークで,対話を通して環境内の明瞭な物体の理解を得る。 マスク特徴とビュー一貫性ラベルを多視点画像から抽出し,まず3次元ガウススティング(3DGS)を用いて各オブジェクト状態の階層的特徴とラベルフィールドを構築する。 次に、3Dガウスプリミティブ上でオブジェクトと部分レベルのクエリを実行し、静的および明瞭な要素を識別し、大域的な変換と局所的な調音パラメータをアベイランスとともに推定する。
  論文  参考訳（メタデータ） (2025-04-09T12:36:48Z)
• ArtGS: Building Interactable Replicas of Complex Articulated Objects via Gaussian Splatting [66.29782808719301]
  コンピュータビジョンにおいて、音声で表現されたオブジェクトを構築することが重要な課題である。 既存のメソッドは、しばしば異なるオブジェクト状態間で効果的に情報を統合できない。 3次元ガウスを柔軟かつ効率的な表現として活用する新しいアプローチであるArtGSを紹介する。
  論文  参考訳（メタデータ） (2025-02-26T10:25:32Z)
• CAST: Component-Aligned 3D Scene Reconstruction from an RGB Image [44.8172828045897]
  現在のメソッドはドメイン固有の制限や低品質のオブジェクト生成に悩まされることが多い。 本稿では,3次元シーンの復元と復元のための新しい手法であるCASTを提案する。
  論文  参考訳（メタデータ） (2025-02-18T14:29:52Z)
• Reconstructing Interactive 3D Scenes by Panoptic Mapping and CAD Model Alignments [81.38641691636847]
  エンボディエージェントの観点から,シーン再構築の問題を再考する。 rgb-dデータストリームを用いてインタラクティブシーンを再構築する。 この再構成されたシーンは、密集したパノプティカルマップのオブジェクトメッシュを、部分ベースのCADモデルに置き換える。
  論文  参考訳（メタデータ） (2021-03-30T05:56:58Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)

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。