論文の概要: DailyArt: Discovering Articulation from Single Static Images via Latent Dynamics

• arxiv url: http://arxiv.org/abs/2604.07758v1
• Date: Thu, 09 Apr 2026 03:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.674009
• Title: DailyArt: Discovering Articulation from Single Static Images via Latent Dynamics
• Title（参考訳）: DailyArt: 潜時ダイナミクスによる単一静的画像からアーティキュレーションを発見する
• Authors: Hang Zhang, Qijian Tian, Jingyu Gong, Daoguo Dong, Xuhong Wang, Yuan Xie, Xin Tan,
• Abstract要約: アーティキュレートされたオブジェクトは、具体化されたAIと世界モデルに不可欠である。 既存の方法は、複数状態の観測を必要とするか、明示的な部分の先行、検索、その他の補助的な入力に依存している。 単一静止画像からの関節推定を定式化したDailyArtについて述べる。
• 参考スコア（独自算出の注目度）: 18.240455067528014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Articulated objects are essential for embodied AI and world models, yet inferring their kinematics from a single closed-state image remains challenging because crucial motion cues are often occluded. Existing methods either require multi-state observations or rely on explicit part priors, retrieval, or other auxiliary inputs that partially expose the structure to be inferred. In this work, we present DailyArt, which formulates articulated joint estimation from a single static image as a synthesis-mediated reasoning problem. Instead of directly regressing joints from a heavily occluded observation, DailyArt first synthesizes a maximally articulated opened state under the same camera view to expose articulation cues, and then estimates the full set of joint parameters from the discrepancy between the observed and synthesized states. Using a set-prediction formulation, DailyArt recovers all joints simultaneously without requiring object-specific templates, multi-view inputs, or explicit part annotations at test time. Taking estimated joints as conditions, the framework further supports part-level novel state synthesis as a downstream capability. Extensive experiments show that DailyArt achieves strong performance in articulated joint estimation and supports part-level novel state synthesis conditioned on joints. Project page is available at https://rangooo123.github.io/DaliyArt.github.io/.
• Abstract（参考訳）: アーティキュレートされた物体は、AIや世界モデルに不可欠なものだが、重要なモーションキューがしばしば無視されるため、単一のクローズドステートイメージからキネマティクスを推論することは依然として困難である。 既存の方法は、複数状態の観測を必要とするか、明示的な部分の先行、検索、あるいは推論される構造を部分的に露呈するその他の補助的な入力に依存している。 本研究では,単一静止画像からの関節推定を合成による推論問題として定式化したDailyArtを提案する。 非常に隠蔽された観察から関節を直接後退させる代わりに、DailyArtはまず、同じカメラビューの下で最大に調音された開状態を合成し、調音キューを露出させ、その後、観察された状態と合成された状態の相違から関節パラメータの完全なセットを推定する。 セット予測の定式化を使用して、DailyArtは、テスト時にオブジェクト固有のテンプレート、マルチビューインプット、明示的な部分アノテーションを必要とせずに、すべてのジョイントを同時に復元する。 推定関節を条件として、このフレームワークは下流の能力として部分レベルの新規な状態合成をさらにサポートする。 広範囲な実験により,DailyArtは関節推定において高い性能を示し,関節に条件付された部分レベル新規な状態合成をサポートすることがわかった。 プロジェクトページはhttps://rangooo123.github.io/DaliyArt.github.io/で公開されている。

関連論文リスト

• UniHand: A Unified Model for Diverse Controlled 4D Hand Motion Modeling [45.29560152294065]
  UniHandは、条件付きモーション合成として推定と生成の両方を定式化する統合拡散ベースのフレームワークである。 視覚観察は凍結したバックボーンで符号化され、専用のハンドパーセプトロンは画像特徴から直接手固有のキューを抽出する。 潜在拡散モデルは、様々な条件から一貫した動き列を合成する。
  論文  参考訳（メタデータ） (2026-02-25T06:53:15Z)
• Jointly Conditioned Diffusion Model for Multi-View Pose-Guided Person Image Synthesis [6.377346043150932]
  複数ビューの先行性を利用した共同条件付き拡散モデル(JCDM)を提案する。 JCDMは可変数の参照ビューをサポートし、標準拡散バックボーンと統合する。 実験は、アートの忠実さとクロスビューの一貫性の状態を実証する。
  論文  参考訳（メタデータ） (2025-11-19T04:05:39Z)
• Synthesizing Consistent Novel Views via 3D Epipolar Attention without Re-Training [102.82553402539139]
  大規模な拡散モデルでは、単一画像からの新規なビュー合成において顕著なゼロショット機能を示す。 これらのモデルは、新規および参照ビュー間の一貫性を維持する上で、しばしば課題に直面します。 入力ビューから重なり合う情報の探索と検索にエピポーラ幾何を用いることを提案する。 この情報はターゲットビューの生成に組み込まれ、トレーニングや微調整の必要がなくなる。
  論文  参考訳（メタデータ） (2025-02-25T14:04:22Z)
• Towards Affordance-Aware Articulation Synthesis for Rigged Objects [82.08199697616917]
  A3Synは、インターネットから取得した任意の領域とオープン領域を持つオブジェクトの調音パラメータを合成する。 A3Synは安定な収束性を持ち、数分で完成し、電球内のオブジェクトリグとシーンの異なる組み合わせで可算な余裕を合成する。
  論文  参考訳（メタデータ） (2025-01-21T18:59:59Z)
• MultiDiff: Consistent Novel View Synthesis from a Single Image [60.04215655745264]
  MultiDiffは、単一のRGB画像からシーンを一貫した新しいビュー合成のための新しいアプローチである。 以上の結果から,MultiDiffは,課題の多いリアルタイムデータセットであるRealEstate10KとScanNetにおいて,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-26T17:53:51Z)
• Enhanced Spatio-Temporal Context for Temporally Consistent Robust 3D Human Motion Recovery from Monocular Videos [5.258814754543826]
  本稿では,モノクロ映像からの時間的一貫した動き推定手法を提案する。 汎用的なResNetのような機能を使う代わりに、本手法ではボディ認識機能表現と独立したフレーム単位のポーズを使用する。 提案手法は, 高速化誤差を著しく低減し, 既存の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-20T10:53:59Z)
• Template-free Articulated Neural Point Clouds for Reposable View Synthesis [11.535440791891217]
  本研究では,マルチビュー映像から動的NeRFと関連する骨格モデルを共同で学習する新しい手法を提案する。 我々のフォワードウォーピングアプローチは、新しいビューやポーズを合成する際に、最先端の視覚的忠実度を達成する。
  論文  参考訳（メタデータ） (2023-05-30T14:28:08Z)
• Consistent View Synthesis with Pose-Guided Diffusion Models [51.37925069307313]
  単一の画像から新しいビューを合成することは、多くのバーチャルリアリティーアプリケーションにとって画期的な問題である。 本稿では,ポーズ誘導拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:22Z)
• Fast Non-Rigid Radiance Fields from Monocularized Data [66.74229489512683]
  本稿では,不規則に変形するシーンを360度内向きに合成する新しい手法を提案する。 提案手法のコアとなるのは, 空間情報と時間情報の処理を分離し, 訓練と推論を高速化する効率的な変形モジュール, 2) 高速ハッシュ符号化ニューラルラジオアンスフィールドとしての標準シーンを表す静的モジュールである。 どちらの場合も,本手法は従来の手法よりもはるかに高速で,7分未満で収束し,1K解像度でリアルタイムのフレームレートを実現するとともに,生成した新規なビューに対して高い視覚的精度が得られる。
  論文  参考訳（メタデータ） (2022-12-02T18:51:10Z)

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。