論文の概要: AISPO: Enhancing Depth Reliability for Robotic Manipulation of Non-Lambertian Objects via Affine-Invariant Shape Prior
- arxiv url: http://arxiv.org/abs/2606.25503v1
- Date: Wed, 24 Jun 2026 07:37:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.262136
- Title: AISPO: Enhancing Depth Reliability for Robotic Manipulation of Non-Lambertian Objects via Affine-Invariant Shape Prior
- Title（参考訳）: AISPO:アフィン不変形状による非ランベルト物体のロボット操作における深さ信頼性向上
- Abstract要約: AISPOは,難解な検知条件下での操作の深度信頼性を向上させるための深度補完フレームワークである。
平均深度精度に主眼を置く手法とは異なり,本手法は予測深度マップの物理的妥当性と構造的整合性を強調する。
- 参考スコア（独自算出の注目度）: 27.63005010032789
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reliable depth perception is critical for robotic manipulation, especially for non-Lambertian objects such as transparent or highly specular surfaces, where raw depth measurements are often corrupted or missing. These failures frequently propagate to motion planning, resulting in invalid grasp poses and execution errors. We propose AISPO, a depth completion framework that improves depth reliability for manipulation in challenging sensing conditions. AISPO combines multi-scale RGB-D feature fusion with an affine-invariant shape prior to enforce geometric consistency and mitigate catastrophic depth failures. Unlike methods that focus primarily on average depth accuracy, our approach emphasizes physical plausibility and structural integrity of the predicted depth maps. Extensive benchmark evaluations demonstrate competitive performance and strong generalization to unseen objects and novel scenes. Real-world grasping experiments further show that enhanced depth reliability significantly improves manipulation success rates, particularly for transparent objects where many existing methods fail to produce physically usable depth estimates.
- Abstract（参考訳）: 信頼性の高い深度知覚は、特に透明な表面や非常に特異な表面のような非ラトビアの物体に対してロボット操作において重要であり、生の深度測定がしばしば破損または欠落している。
これらの失敗は、しばしばモーションプランニングに伝播し、無効な把握ポーズと実行エラーをもたらす。
AISPOは,難解な検知条件下での操作の深度信頼性を向上させるための深度補完フレームワークである。
AISPOは、多スケールのRGB-D特徴融合とアフィン不変形状を組み合わせることで、幾何的整合性を強制し、破滅的な深度障害を緩和する。
平均深度精度に主眼を置く手法とは異なり,本手法は予測深度マップの物理的妥当性と構造的整合性を強調する。
大規模なベンチマーク評価では、競争性能と、見えないオブジェクトや新しいシーンへの強力な一般化が示されている。
実世界の把握実験は、特に多くの既存手法が物理的に使用可能な深度推定を作成できない透明物体において、深度信頼性の向上が操作の成功率を大幅に改善することを示した。
関連論文リスト
- In Depth We Trust: Reliable Monocular Depth Supervision for Gaussian Splatting [22.674046124865196]
幾何的監督にスケールあいまいでノイズの多い奥行きを取り入れたトレーニングフレームワークを導入する。
多様なデータセットに対する実験では、幾何精度が一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-04-07T11:15:15Z) - Depth as Prior Knowledge for Object Detection [2.7214777196418645]
安全に重要なアプリケーションは、小型で遠隔の物体を確実に検出する必要がある。
理論的解析を行い, 深度検出関係の実証的研究を行った。
DepthPriorは、深度を融合機能としてではなく、事前の知識として利用するフレームワークです。
論文 参考訳（メタデータ） (2026-02-05T14:52:39Z) - Rethinking Transparent Object Grasping: Depth Completion with Monocular Depth Estimation and Instance Mask [10.472380465235629]
ReMakeは、インスタンスマスクと単眼深度推定によってガイドされる、新しい深度補完フレームワークである。
提案手法は,ベンチマークデータセットと実世界のシナリオの両方において,既存の手法よりも優れている。
論文 参考訳（メタデータ） (2025-08-04T15:14:47Z) - High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy [23.431898388115044]
高精細度画像から細粒度オブジェクトを抽出する作業として,DIS(High-precision Dichotomous Image segmentation)がある。
既存の方法はジレンマに直面し、非拡散法は効率的に機能するが、弱い意味論による誤検出や誤検出に悩まされる。
単眼深度推定モデルから擬似深度情報を得ると,本質的な意味理解が得られる。
論文 参考訳（メタデータ） (2025-03-08T07:02:28Z) - Uncertainty-guided Optimal Transport in Depth Supervised Sparse-View 3D Gaussian [49.21866794516328]
3次元ガウシアンスプラッティングは、リアルタイムな新規ビュー合成において顕著な性能を示した。
これまでのアプローチでは、3Dガウスの訓練に奥行き監視を取り入れ、オーバーフィッティングを軽減してきた。
本研究では,3次元ガウスの深度分布を可視化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:18:30Z) - Transparent Object Depth Completion [11.825680661429825]
理解と操作のための透明な物体の認識は、依然として大きな課題である。
深度マップに大きく依存する既存のロボットグリップ法は、その独特の視覚特性のために透明な物体には適さない。
本稿では,一視点RGB-Dに基づく深度推定と多視点深度推定の長所を組み合わせた,透明物体深度補完のためのエンドツーエンドネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T07:38:06Z) - Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging
Scenarios [103.72094710263656]
本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。
本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。
得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
論文 参考訳（メタデータ） (2024-02-19T04:39:16Z) - GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。
トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。
実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
論文 参考訳（メタデータ） (2023-10-24T08:45:15Z) - Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。
提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
論文 参考訳（メタデータ） (2021-12-15T05:22:34Z) - Geometry Uncertainty Projection Network for Monocular 3D Object
Detection [138.24798140338095]
本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。
具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。
トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
論文 参考訳（メタデータ） (2021-07-29T06:59:07Z) - Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
カラービデオから多フレーム深度を推定する新しい学習手法を提案する。
本手法は深度推定精度において最先端の手法より優れる。
論文 参考訳（メタデータ） (2020-04-02T07:10:45Z)
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。