論文の概要: Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control

• arxiv url: http://arxiv.org/abs/2606.14699v1
• Date: Fri, 12 Jun 2026 17:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:43.030937
• Title: Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control
• Title（参考訳）: Instruct-Particulate:運動制御によるフィードフォワード3次元物体調音のスケーリング
• Authors: Ruining Li, Yuxin Yao, Matt Zhou, Chuanxia Zheng, Christian Rupprecht, Joan Lasenby, Shangzhe Wu, Andrea Vedaldi,
• Abstract要約: 合成された3Dオブジェクトの再構成は、アニメーション、ゲーム、ロボットシミュレーションにおいて重要である。 最近のニューラルネットワークは、3Dオブジェクトの明瞭な構造を推定できるが、その一般化は注釈付きデータの不足によって制限されている。 Instruct-Particulateは、3Dメッシュとターゲットキネマティック仕様を併用するモデルである。
• 参考スコア（独自算出の注目度）: 86.64250947574749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing articulated 3D objects is important for animation, gaming, and robotic simulations. Recent neural networks can estimate the articulated structure of 3D objects, but their generalization remains limited by the scarcity of annotated data for this task. To address this gap, we introduce Instruct-Particulate, a model that takes a 3D mesh together with a target kinematic specification, including part descriptions, connectivity, joint types, and optional point prompts, and predicts the corresponding kinematic part segmentation and joint motion parameters. The kinematic specification disambiguates the task and allows the model to target annotations of different granularity, thereby making it possible to use more abundant heterogeneous training data. At test time, the kinematic specification can be obtained automatically from large-scale vision-language models, so the model can be applied to any input mesh. To train our model at scale, we construct a heterogeneous dataset of more than 150,000 articulated 3D objects, extending existing publicly available collections with data obtained by partially labelling other 3D models (monolithic or already decomposed into parts) with kinematic labels by means of vision-language models. Experiments show that our model generalizes better across categories and to AI-generated meshes, enabling articulated asset reconstruction from real-world images via image-to-3D models.
• Abstract（参考訳）: 合成された3Dオブジェクトの再構成は、アニメーション、ゲーム、ロボットシミュレーションにおいて重要である。 最近のニューラルネットワークは、3Dオブジェクトの明瞭な構造を推定できるが、それらの一般化は、このタスクのための注釈付きデータの不足によって制限されている。 Instruct-Particulateは3次元メッシュを対象のキネマティックな仕様と組み合わせたモデルであり、部品記述、接続性、ジョイントタイプ、オプションポイントプロンプトを含み、対応するキネマティックな部分分割と関節運動パラメータを予測する。 キネマティック仕様はタスクを曖昧にし、モデルが異なる粒度のアノテーションをターゲットとすることで、より豊富なヘテロジニアスなトレーニングデータの使用を可能にする。 テスト時には、大規模な視覚言語モデルからキネマティック仕様を自動的に得ることができ、任意の入力メッシュに適用することができる。 大規模にモデルをトレーニングするために,15万件以上の定式化された3Dオブジェクトからなる異種データセットを構築し,他の3Dモデル(モノリシックまたはすでに分解された)を視覚言語モデルを用いてキネマティックラベルで部分的にラベル付けしたデータを用いて,既存の公開コレクションを拡張した。 実験により、我々のモデルはカテゴリやAI生成メッシュにまたがってより一般化され、画像から3Dモデルによる実世界の画像からの集合的再構築が可能となった。

関連論文リスト

• ArtLLM: Generating Articulated Assets via 3D LLM [19.814132638278547]
  ArtLLMは、完全な3Dメッシュから直接高品質な調音資産を生成するための新しいフレームワークである。 コアとなるのは,大規模な調音データセットに基づいてトレーニングされた,3Dマルチモーダルな大規模言語モデルだ。 実験の結果,ArtLLMは部品配置精度と接合予測の両方で最先端の手法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2026-03-01T15:07:46Z)
• Particulate: Feed-Forward 3D Object Articulation [89.78788418174946]
  Particulateは、毎日のオブジェクトの1つの静的3Dメッシュが与えられたフィードフォワードアプローチであり、基盤となる関節構造のすべての属性を直接推論する。 私たちは、公開データセットから多種多様な3Dアセットの集合に基づいて、ネットワークのエンドツーエンドをトレーニングします。 推論中、Particulateはネットワークのフィードフォワード予測を入力メッシュに持ち上げ、完全に調音された3Dモデルを数秒で生成する。
  論文  参考訳（メタデータ） (2025-12-12T18:59:51Z)
• Articulate AnyMesh: Open-Vocabulary 3D Articulated Objects Modeling [48.78204955169967]
  Articulate Anymeshは,剛性のある3Dメッシュを,オープンな語彙で表現されたものに変換可能な,自動フレームワークである。 実験の結果、Articulate Anymeshは、ツール、おもちゃ、機械装置、車両など、大規模で高品質な3D関節オブジェクトを生成できることがわかった。
  論文  参考訳（メタデータ） (2025-02-04T18:59:55Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)

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。