論文の概要: Point & Grasp: Flexible Selection of Out-of-Reach Objects Through Probabilistic Cue Integration

• arxiv url: http://arxiv.org/abs/2604.22491v1
• Date: Fri, 24 Apr 2026 12:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.447812
• Title: Point & Grasp: Flexible Selection of Out-of-Reach Objects Through Probabilistic Cue Integration
• Title（参考訳）: Point & Grasp:確率的キュー統合によるアウトオブリーチオブジェクトの柔軟な選択
• Authors: Xuejing Luo, Hee-Seung Moon, Christian Holz, Antti Oulasvirta,
• Abstract要約: 本稿では,複数のユーザ生成キューのフレキシブルな組み合わせが可能な確率的キュー統合フレームワークを提案する。 自然な把握行動に触発されて,新たなインタラクション手法として,指差方向とジェスチャーの把握によるフレームワークのインスタンス化を行う。
• 参考スコア（独自算出の注目度）: 43.62859488021413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting out-of-reach objects is a fundamental task in mixed reality (MR). Existing methods rely on a single cue or deterministically fuse multiple cues, leading to performance degradation when the dominant cue becomes unreliable. In this work, we introduce a probabilistic cue integration framework that enables flexible combination of multiple user-generated cues for intent inference. Inspired by natural grasping behavior, we instantiate the framework with pointing direction and grasp gestures as a new interaction technique, Point&Grasp. To this end, we collect the Out-of-Reach Grasping (ORG) dataset to train a robust likelihood model of the gestural cue, which captures grasping patterns not present in existing in-reach datasets. User studies demonstrate that our selection method with cue integration not only improves accuracy and speed over single-cue baselines, but also remains practically effective compared to state-of-the-art methods across various sources of ambiguity. The dataset and code are available at https://github.com/drlxj/point-and-grasp.
• Abstract（参考訳）: 切り離されたオブジェクトを選択することは、混合現実(MR)の基本的なタスクである。 既存の方法は1つのキューに依存するか、決定論的に複数のキューを融合させ、支配的なキューが信頼できないようになるとパフォーマンスが低下する。 本研究では,複数のユーザ生成キューのフレキシブルな組み合わせが可能な確率的キュー統合フレームワークを提案する。 自然な把握行動に触発されて,新たなインタラクション手法であるPoint&Graspとして,指差方向とジェスチャーの把握によるフレームワークのインスタンス化を行う。 この目的のために、我々はアウト・オブ・リーチ・グラッピング(ORG)データセットを収集し、既存のイン・リーチ・データセットに存在しないパターンをキャプチャーする、ジェスチャーキューの頑健な確率モデルをトレーニングする。 ユーザスタディでは、キュー統合による選択手法は、単一キューベースラインよりも精度と速度を向上するだけでなく、様々な曖昧さの源をまたいだ最先端の手法と比較して、実用的に有効であることを実証している。 データセットとコードはhttps://github.com/drlxj/point-and-grasp.comで公開されている。

関連論文リスト

• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• Task-Specific Data Selection for Instruction Tuning via Monosemantic Neuronal Activations [19.25205110583291]
  重要なボトルネックは、タスク固有のパフォーマンスを最大化するために、最も関連性の高いデータを選択することです。 既存のデータ選択アプローチには、不安定な影響に基づく方法や、より安定した分布アライメント方法が含まれる。 タスク関連データをよりよく識別するために、この分野に専用の類似度指標を導入します。
  論文  参考訳（メタデータ） (2025-03-19T11:35:57Z)
• Copula for Instance-wise Feature Selection and Ranking [24.09326839818306]
  本稿では,変数間の相関を捉える強力な数学的手法であるガウスコプラを,現在の特徴選択フレームワークに組み込むことを提案する。 提案手法が有意な相関関係を捉えることができることを示すために, 合成データセットと実データセットの双方について, 性能比較と解釈可能性の観点から実験を行った。
  論文  参考訳（メタデータ） (2023-08-01T13:45:04Z)
• Selective Inference for Sparse Multitask Regression with Applications in Neuroimaging [2.611153304251067]
  本稿では、ニューロイメージングにおける一般的なマルチタスク問題に対処するための選択推論フレームワークを提案する。 我々のフレームワークは、選択イベントの洗練に基づいて、新しい推論条件を提供する。 我々は,選択推論を用いたマルチタスク学習により,単一タスク法よりも真の信号をより正確に復元できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2022-05-27T20:21:20Z)

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。