論文の概要: ScanDP: Generalizable 3D Scanning with Diffusion Policy

• arxiv url: http://arxiv.org/abs/2603.10390v1
• Date: Wed, 11 Mar 2026 04:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.658883
• Title: ScanDP: Generalizable 3D Scanning with Diffusion Policy
• Title（参考訳）: ScanDP:拡散政策による一般化可能な3Dスキャン
• Authors: Itsuki Hirako, Ryo Hakoda, Yubin Liu, Matthew Hwang, Yoshihiro Sato, Takeshi Oishi,
• Abstract要約: 本研究では,Diffusion Policy を用いたデータ効率のよい3Dスキャンフレームワークを提案する。 また,球面に基づく空間表現と経路最適化手法を組み合わせたハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 3.9733444736577037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-based 3D Scanning plays a crucial role in enabling efficient and accurate scanning of target objects. However, recent reinforcement learning-based methods often require large-scale training data and still struggle to generalize to unseen object categories.In this work, we propose a data-efficient 3D scanning framework that uses Diffusion Policy to imitate human-like scanning strategies. To enhance robustness and generalization, we adopt the Occupancy Grid Mapping instead of direct point cloud processing, offering improved noise resilience and handling of diverse object geometries. We also introduce a hybrid approach combining a sphere-based space representation with a path optimization procedure that ensures path safety and scanning efficiency. This approach addresses limitations in conventional imitation learning, such as redundant or unpredictable behavior. We evaluate our method on diverse unseen objects in both shape and scale. Ours achieves higher coverage and shorter paths than baselines, while remaining robust to sensor noise. We further confirm practical feasibility and stable operation in real-world execution.
• Abstract（参考訳）: 学習に基づく3Dスキャンは、ターゲットオブジェクトの効率的かつ正確なスキャンを可能にする上で、重要な役割を果たす。 しかし,近年の強化学習に基づく手法は,大規模な学習データを必要とすることが多く,未確認対象カテゴリの一般化に苦慮している。 強靭性と一般化性を高めるため,直接点クラウド処理の代わりにOccupancy Grid Mappingを導入し,ノイズレジリエンスの改善と多様なオブジェクトジオメトリの処理を実現した。 また,球面空間表現と経路最適化を併用して,経路安全性と走査効率を確保するハイブリッド手法を提案する。 このアプローチは、冗長または予測不可能な振る舞いなど、従来の模倣学習の制限に対処する。 本手法は, 形状とスケールの両面で, 多様な未確認物体に対して評価する。 センサノイズに対して頑健でありながら,ベースラインよりも高いカバレッジと短いパスを実現している。 さらに,実世界の実行における実用可能性と安定動作を確認した。

関連論文リスト

• Street Gaussians without 3D Object Tracker [84.89933388445185]
  既存のほとんどの方法は、オブジェクトポーズの労働集約的な手動ラベリングに依存している。 本研究では,3次元オブジェクト融合戦略における2次元ディープトラッカーの関連性を利用して,安定なオブジェクト追跡モジュールを提案する。 我々は、軌道誤差を自律的に補正し、見逃した検出を回復する暗黙の特徴空間に、モーションラーニング戦略を導入することで、避けられないトラッキングエラーに対処する。
  論文  参考訳（メタデータ） (2024-12-07T05:49:42Z)
• AVS-Net: Point Sampling with Adaptive Voxel Size for 3D Scene Understanding [16.03214439663472]
  本稿では,精度と効率性を両立する高度サンプリング器を提案する。 本稿では,Voxel Adaptation Module(Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module)を提案する。 既存の最先端手法と比較して,本手法は屋外および屋内の大規模データセットの精度を向上する。
  論文  参考訳（メタデータ） (2024-02-27T14:05:05Z)
• Efficient and Robust Training of Dense Object Nets for Multi-Object Robot Manipulation [8.321536457963655]
  我々はDense Object Nets(DON)の堅牢で効率的なトレーニングのためのフレームワークを提案する。 本研究は,多目的データを用いた学習に重点を置いている。 実世界のロボットによる把握作業において,提案手法の頑健さと精度を実証する。
  論文  参考訳（メタデータ） (2022-06-24T08:24:42Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Towards Deep Learning-based 6D Bin Pose Estimation in 3D Scans [0.0]
  本稿では,3次元スキャンにおけるビンの6次元ポーズ推定の特定のタスクに焦点を当てた。 合成データと実スキャンからなる高品質なデータセットを,正確なアノテーションを付加した構造化光スキャナーにより取得する。
  論文  参考訳（メタデータ） (2021-12-17T16:19:06Z)
• RandomRooms: Unsupervised Pre-training from Synthetic Shapes and Randomized Layouts for 3D Object Detection [138.2892824662943]
  有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。 最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。 本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:56:12Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based Domain Randomization [1.4290119665435117]
  合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。 提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。 3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2020-11-17T09:12:11Z)
• Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
  モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。 従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。 我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。 これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
  論文  参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。