論文の概要: ShapeGen: Robotic Data Generation for Category-Level Manipulation

• arxiv url: http://arxiv.org/abs/2604.15569v1
• Date: Thu, 16 Apr 2026 22:55:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.671653
• Title: ShapeGen: Robotic Data Generation for Category-Level Manipulation
• Title（参考訳）: ShapeGen:カテゴリーレベルマニピュレーションのためのロボットデータ生成
• Authors: Yirui Wang, Xiuwei Xu, Angyuan Ma, Bingyao Yu, Jie Zhou, Jiwen Lu,
• Abstract要約: ShapeGenは、シミュレータフリーで3D的な方法で3D操作データを生成する方法である。 第1段階では,形状のマッピング点から機能的に対応した点への空間的ワープを訓練し,これらとともに3次元モデルを集約し,プラグアンドプレイ形状ライブラリーを構築する。 第2段階では、確立されたライブラリを活用するパイプラインを設計し、物理的に妥当で機能的に正しい実演を生成するために、最小限の人間アノテーションしか必要としない。
• 参考スコア（独自算出の注目度）: 57.10250198611112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manipulation policies deployed in uncontrolled real-world scenarios are faced with great in-category geometric diversity of everyday objects. In order to function robustly under such variations, policies need to work in a category-level manner, i.e. knowing how to interact with any object in a certain category, instead of only a specific one seen during training. This in-category generalizability is usually nurtured with shape-diversified training data; however, manually collecting such a corpus of data is infeasible due to the requirement of intense human labor and large collections of divergent objects at hand. In this paper, we propose ShapeGen, a data generation method that aims at generating shape-variated manipulation data in a simulator-free and 3D manner. ShapeGen decomposes the process into two stages: Shape Library curation and Function-Aware Generation. In the first stage, we train spatial warpings between shapes mapping points to points that correspond functionally, and aggregate 3D models along with the warpings into a plug-and-play Shape Library. In the second stage, we design a pipeline that, leveraging established Libraries, requires only minimal human annotation to generate physically plausible and functionally correct novel demonstrations. Experiments in the real world demonstrate the effectiveness of ShapeGen to boost policies' in-category shape generalizability. Project page: https://wangyr22.github.io/ShapeGen/.
• Abstract（参考訳）: 制御されていない現実世界のシナリオに展開される操作ポリシーは、日常的な対象の分類上の幾何学的多様性に直面する。 このような変動の下で堅牢に機能するためには、ポリシーはカテゴリレベルの方法で機能する必要がある。 このカテゴリ内の一般化性は、通常、形状の異なるトレーニングデータで育まれるが、そのようなデータのコーパスを手作業で収集することは、激しい人的労働と、手元にある多種多様なオブジェクトのコレクションのために不可能である。 本論文では,シミュレータフリー・3D方式で形状変化操作データを生成するデータ生成手法であるShapeGenを提案する。 ShapeGenは、プロセスを、Shape LibraryキュレーションとFunction-Aware Generationの2つのステージに分解する。 第1段階では,形状のマッピング点から機能的に対応する点への空間的歪みを学習し,これらとともに3次元モデルを集約し,プラグアンドプレイ形状ライブラリーを構築する。 第2段階では、確立されたライブラリを活用するパイプラインを設計し、物理的に妥当で機能的に正しい新しいデモンストレーションを生成するために、最小限の人間アノテーションしか必要としない。 実世界の実験では、ShapeGenがポリシーのカテゴリ内形状の一般化性を高める効果を実証している。 プロジェクトページ: https://wangyr22.github.io/ShapeGen/.com

関連論文リスト

• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Generalizable Local Feature Pre-training for Deformable Shape Analysis [36.44119664239748]
  トランスファーラーニングは、ほとんどトレーニングデータのない設定で問題に対処するための基本となる。 変形可能な3Dオブジェクトを含むタスクにおける特徴の局所性と伝達可能性の関係を解析する。 本稿では,3次元伝達学習における受容場を最適化する微分可能な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-27T11:13:46Z)
• Generative Category-Level Shape and Pose Estimation with Semantic Primitives [27.692997522812615]
  本稿では,1枚のRGB-D画像からカテゴリレベルのオブジェクト形状とポーズ推定を行う新しいフレームワークを提案する。 カテゴリ内変動に対処するために、様々な形状を統一された潜在空間にエンコードするセマンティックプリミティブ表現を採用する。 提案手法は,実世界のデータセットにおいて,SOTAのポーズ推定性能とより優れた一般化を実現する。
  論文  参考訳（メタデータ） (2022-10-03T17:51:54Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• GenSDF: Two-Stage Learning of Generalizable Signed Distance Functions [37.07344649854001]
  本研究では, 未知およびラベルなしの点雲に対する3次元物体表現学習のための, ニューラルサイン付き距離関数(SDF)の一般化能力について検討する。 既存のメソッドは、SDFをいくつかのオブジェクトクラスに適合させ、細部や高速な推論速度を誇示するが、見当たらない形状にうまく一般化しない。 ラベル付きデータからラベルなしデータへ形状を転送し、未知のオブジェクトカテゴリを再構築する2段階の半教師付きメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-06-06T17:58:29Z)
• GIFS: Neural Implicit Function for General Shape Representation [23.91110763447458]
  3次元形状の一般インプリシット関数 (GIFS) は, 一般形状を表す新しい手法である。 3D空間を事前に定義された内側の領域に分割する代わりに、GIFSは2つの点が任意の表面で分離されているかどうかを符号化する。 ShapeNetの実験では、GIFSは再現性、レンダリング効率、視覚的忠実度の観点から、従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-14T17:29:20Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
  本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
  論文  参考訳（メタデータ） (2021-04-27T17:53:46Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。