論文の概要: NDPP-Grasp: Non-Differentiable Physical Plausibility Constraint-Guided Task-Oriented Dexterous Grasp Generation
- arxiv url: http://arxiv.org/abs/2606.02432v1
- Date: Mon, 01 Jun 2026 16:06:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.483232
- Title: NDPP-Grasp: Non-Differentiable Physical Plausibility Constraint-Guided Task-Oriented Dexterous Grasp Generation
- Title（参考訳）: NDPP-Grasp:非微分可能物理可塑性制約型タスク指向デクサラスグラフ生成
- Authors: Qiuchi Xiang, Haoxuan Qu, Hossein Rahmani, Jun Liu,
- Abstract要約: 本稿では,タスク整合型把握拡散モデルの認知過程に物理可視性ガイダンスを注入する新しいフレームワークを提案する。
これにより、タスクアライメントを保ちながら、デノナイジングを通して、物理的な可視性が把握生成を形作ることができる。
- 参考スコア（独自算出の注目度）: 22.158075097644968
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Task-oriented dexterous grasp generation aims to produce dexterous grasp poses that are both physically plausible and functionally suitable for specified manipulation tasks. Existing diffusion-based methods often address these two requirements in a decoupled manner: they first train a grasp diffusion model for task alignment and then rely on post-generation refinement to improve physical plausibility. However, this after-the-fact correction strategy applies physical plausibility guidance only once the grasp has already been generated, leaving the generation trajectory itself unguided by physical constraints and potentially leading to suboptimal grasps. To address this problem, we propose a novel framework that directly injects physical plausibility guidance into the denoising process of a task-aligned grasp diffusion model in a practical and effective manner, even when physical plausibility constraints are non-differentiable. This allows physical plausibility to shape grasp generation throughout denoising while preserving task alignment. Extensive experiments demonstrate the efficacy of our framework.
- Abstract（参考訳）: タスク指向のデクスタラス・グリップ生成は,特定の操作タスクに身体的かつ機能的に適したデクスタラス・グリップ・ポーズを生成することを目的としている。
既存の拡散に基づく手法は、これらの2つの要件を分離された方法で解決することが多く、まずタスクアライメントのためにグリップ拡散モデルを訓練し、その後、物理的妥当性を向上させるためにポストジェネレーションの改良に依存する。
しかし、このアフター・ザ・ファクトの補正戦略は、グリップが既に発生した時点でのみ物理可視性ガイダンスを適用し、生成軌跡自体が物理的制約に左右されず、潜在的に最適グリップにつながる可能性がある。
そこで本研究では,物理可視性制約が非微分可能であっても,タスク整列型把握拡散モデルの雑音発生過程に直接物理可視性ガイダンスを注入する新しい枠組みを提案する。
これにより、タスクアライメントを保ちながら、デノナイジングを通して、物理的な可視性が把握生成を形作ることができる。
大規模な実験により、我々のフレームワークの有効性が実証された。
関連論文リスト
- EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - Enhancing Physical Plausibility in Video Generation by Reasoning the Implausibility [37.011366226968]
拡散モデルはリアルなビデオを生成することができるが、既存の方法は大規模テキストビデオデータセットから暗黙的に物理的推論を学ぶことに依存している。
本研究では,推論時の身体的可視性を改善するためのトレーニングフリーフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-29T12:32:54Z) - Projected Coupled Diffusion for Test-Time Constrained Joint Generation [49.69610867216755]
制約付きジョイント生成のための新しいテストタイムフレームワークであるProjected Coupled Diffusion (PCD)を提案する。
PCDは、拡散モデル間の協調を促進するために生成力学に結合したガイダンス項を導入し、各拡散ステップにプロジェクションステップを組み込んで厳しい制約を強制する。
その結果,過剰な計算コストを発生させることなく,結合効果の向上と制約満足度が保証された。
論文 参考訳（メタデータ） (2025-08-14T11:05:31Z) - Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。
本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。
分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
論文 参考訳（メタデータ） (2025-07-07T21:14:27Z) - Neuro-Symbolic Generative Diffusion Models for Physically Grounded, Robust, and Safe Generation [44.80048928651511]
Neuro-Symbolic Diffusion (NSD)は、拡散ステップをシンボル最適化でインターリーブする新しいフレームワークである。
本稿では,ユーザ定義機能制約および論理制約の下で,確実に一貫したサンプルを生成するNSDを提案する。
この能力は,(1)非毒性分子生成と衝突のない軌道最適化の文脈における安全性,(2)薬物発見や材料工学などの領域におけるデータ不足,(3)領域外一般化の3つの課題にまたがる課題において実証される。
論文 参考訳（メタデータ） (2025-06-01T18:58:59Z) - Strictly Constrained Generative Modeling via Split Augmented Langevin Sampling [0.1052166918701117]
本研究では,物理的制約を厳格に満たしつつ,対象分布からサンプリングするための原則的フレームワークを開発する。
SAL(Split Augmented Langevin, Split Augmented Langevin)は,変数分割によって制約を段階的に適用し,収束を保証するアルゴリズムである。
本手法は, 物理系の拡散に基づくデータ同化に応用され, 物理制約を強制することで, 予測精度と臨界保存量の保存が大幅に向上する。
論文 参考訳（メタデータ） (2025-05-23T15:21:10Z) - Constrained Discrete Diffusion [61.81569616239755]
本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。
CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
論文 参考訳（メタデータ） (2025-03-12T19:48:12Z) - Training-Free Constrained Generation With Stable Diffusion Models [41.391765899175276]
安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。
既存のテクニックは、遅延拡散フレームワークの適用性に制限されるか、ドメイン固有の制約を厳格に強制する能力に欠ける。
本稿では, 安定拡散モデルと制約付き最適化フレームワークとの新たな統合を提案し, 厳密な物理的および機能的要求を満たす出力の生成を可能にする。
論文 参考訳（メタデータ） (2025-02-08T16:11:17Z) - Towards Understanding Extrapolation: a Causal Lens [53.15488984371969]
我々は、外挿がいつ可能かを理論的に理解し、それを実現するための原則的な方法を提供する。
この定式化の下では、外挿問題を潜在変数識別問題にキャストする。
この理論は、基礎となる多様体の滑らかさとシフト特性の間の複雑な相互作用を明らかにする。
論文 参考訳（メタデータ） (2025-01-15T21:29:29Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z)
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。