論文の概要: More Structure, Not More Capacity: Object-Centric Representations for Visuomotor Imitation Learning
- arxiv url: http://arxiv.org/abs/2607.09825v1
- Date: Fri, 10 Jul 2026 10:35:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.209445
- Title: More Structure, Not More Capacity: Object-Centric Representations for Visuomotor Imitation Learning
- Title（参考訳）: より構造的, 容量的でない: 視覚運動模倣学習のためのオブジェクト中心表現
- Abstract要約: 対象中心のスロット表現は、事前学習された視覚モデルに代わる構造化された代替物であることを示す。
トークンの16倍の高密度なパッチグリッドは、グローバル機能に匹敵するパフォーマンスはない。
明示的な2D空間目標とネイティブ解像度レンダリングにより、全システムは68.7$pm$4.2%まで上昇し、特権付き3Dオーラクルの上界の直ぐ下にある。
- 参考スコア（独自算出の注目度）: 54.65906330923846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic manipulation policies rely on pre-trained vision models that give either a global scene embedding or a dense patch grid. Both mix task-relevant and task-irrelevant features. Object-centric slot representations are a structured alternative: they group features into a few per-object slots. We test what this structure buys on ManiSkill3 PickCube-v1, with a frozen encoder and a held-out-seed evaluation. Holding the policy, goal token, rendering, and calibration fixed and changing only the encoder, a frozen object-centric SPOT representation (DINO ViT-B/16 + Slot Attention) reaches 55.0$\pm$2.9% success, 22.4% above a dense DINO global-feature baseline (32.6 $\pm$ 1.5%), with the same trainable policy and no encoder fine-tuning. More tokens alone do not help: a dense patch grid with 16x the tokens performs no better than the global feature. Adding an explicit 2D spatial goal and native-resolution rendering raises the full system to 68.7$\pm$4.2%, just below a privileged 3D-oracle upper bound (71.7$\pm$4.1%). An automated kinematic failure taxonomy then separates spatial-precision (Near-Miss) failures from object-tracking (No-Grasp) failures: spatial grounding reduces Near-Miss while leaving No- Grasp unchanged. The same taxonomy transfers to the harder StackCube-v1 and points to occlusion as the main bottleneck.
- Abstract（参考訳）: ロボット操作ポリシーは、グローバルなシーン埋め込みまたは密集したパッチグリッドを提供する事前訓練されたビジョンモデルに依存している。
タスク関連機能とタスク関連機能の両方が混在している。
オブジェクト中心のスロット表現は構造化された代替手段である。
この構造がManiSkill3 PickCube-v1で何を買うかをテストする。
ポリシー、ゴールトークン、レンダリング、キャリブレーションを固定し、エンコーダのみを変更し、凍結されたオブジェクト中心のSPOT表現(DINO ViT-B/16 + Slot Attention)は55.0$\pm$2.9%成功し、密度の高いDINOグローバル機能ベースライン(32.6$\pm$ 1.5%)より22.4%高い。
より多くのトークンだけでは役に立たない: 16倍の高密度なパッチグリッドでは、トークンはグローバル機能よりもパフォーマンスが良くない。
明示的な2D空間目標とネイティブ解像度のレンダリングを加えると、全システムは68.7$\pm$4.2%に上昇し、特権付き3Dオーラクルの上界(71.7$\pm$4.1%)の直ぐ下にある。
自動キネマティック障害分類では、空間精度(Near-Miss)障害とオブジェクト追跡(No-Grasp)障害を分離する。
同じ分類法は、より難しいStackCube-v1に移行し、主要なボトルネックとして閉塞を指摘している。
関連論文リスト
- CoVeR: Coverage-Based Token Pruning for Multi-View 3D Reasoning in VLMs [58.22241532542095]
3Dシーンをマルチビュー画像として表現することで、2D VLMは事前学習の事前知識を再利用し、注釈付き3Dデータの不足を補うことで3Dを推論することができる。
既存の視覚トークンプルーナーは2つのファミリーに分かれ、それぞれが3Dマルチビュー設定に制限される。
空間被覆は3次元推論性能と関連し,トークン座標のみを用いた決定論的学習自由セレクタであるCoVeRを導入し,学習信号を持たないことを示す。
論文 参考訳（メタデータ） (2026-09-08T07:16:37Z) - Graph Machine: Towards Better Pretraining via Edges [0.0]
Graph Machine(GM)アーキテクチャは$O(n)$サイズの状態を維持し、スパースでダイナミックなルーティングを通じてアクセスする。
我々はQwen3-0.6Bの高密度トランスフォーマー層75%をGMスパース層に置き換え、15.7Bトークンをスクラッチから事前トレーニングする。
スパース層の各KVヘッドあたりのトークンは4,096個しか回収されず、損失はわずかに減少する。
論文 参考訳（メタデータ） (2026-09-02T17:56:41Z) - Putting Registers to Work: Task Registers for Token Pruning in Vision Transformers [5.410304374735817]
トーケンプルーニングポリシは通常、単一の認識パイプライン用に設計されるが、事前訓練されたビジョントランスフォーマーは、異なる空間要求のタスク間で再利用される。
画像分類,セマンティックセグメンテーション,オブジェクト検出において,プルーニングポリシのどの部分が転送されるのかを問う。
各パイプラインに対して、制御されたプローブは停止チェックポイントを凍結し、パラメータフリーの一連の基準を1つの許容層に適用する。
調査では, セグメンテーションと検出の3つの相違点を明らかにした。分類は, 最初期の層における注意に基づくプルーニングに特に敏感であり, 密集したタスクは逆の回復終点を好む。
論文 参考訳（メタデータ） (2026-08-11T14:43:52Z) - Write-Protected Discrete Bottlenecks for Language-Grounded World Models: A Structural Limitation and Sufficient Fix [0.0]
我々は,Gumbel-softmaxベースの離散シンボルボトルネックの故障を防止するための3つの制約セットを特徴付ける。
3つのエンコーダアーキテクチャで79-100%のセマンティックバインディングを実現し,32種すべてにゼロシンボル崩壊を示す。
論文 参考訳（メタデータ） (2026-07-09T09:55:17Z) - Level-Crossing Density as a Mesh-Free High-Frequency Auxiliary Loss for Implicit Neural Representations [0.0]
格子も複雑も永続性もない連続神経場に対するスムーズなモンテカルロ推定器を導出する。
推定器は2Dと3Dの正確なトポロジーに対して1-3%の精度で、1イテレーションあたり約3ミリ秒の費用がかかる。
しかし、3Dニューラル-SDFフィッティングでは、任意のサンプルソフトトポロジーの目的に対して一般的な障害モードが現れると信じている。
論文 参考訳（メタデータ） (2026-07-07T04:23:23Z) - Sequential Planning via Anchored Robotic Keypoints [3.176338968032152]
トレーニング不要なニューロシンボリック操作システムであるSPARK(Anchored Robotic Keypoints, SPARK)について述べる。
単一のGeminiコールは、構成可能なキネマティックプリミティブの型付き振舞いツリー(BT)としてプランを構成する。
2つ目のGeminiコールでは、オブジェクトごとに3つの代替テキストプロンプトが提案され、SAM3がそれぞれを評価します。
代替のプロンプトは、空間スイートに+27.7、オブジェクトスイートに+10.0、全体のリカバリループに+5.0を加算する。
論文 参考訳（メタデータ） (2026-06-29T17:48:01Z) - Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。
NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-27T11:34:41Z) - Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。
Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
論文 参考訳（メタデータ） (2026-02-27T07:36:32Z) - $I^{2}$-World: Intra-Inter Tokenization for Efficient Dynamic 4D Scene Forecasting [2.722128680610171]
I2$-Worldは、4D占有率予測のための効率的なフレームワークである。
本手法は,シーントークン化をシーン内およびシーン間トークン化剤に分解する。
I2$-Worldは最先端のパフォーマンスを達成し、既存の手法を25.1%のmIoUで、36.9%のIoUで4D占有率予測で上回っている。
論文 参考訳（メタデータ） (2025-07-12T05:14:39Z) - VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene
Completion [129.5975573092919]
VoxFormerはTransformerベースのセマンティックシーン補完フレームワークである。
2D画像のみから完全な3Dセマンティクスを出力できる。
我々のフレームワークは、幾何学の20.0%と意味論の18.1%を相対的に改善し、芸術の状態を上回ります。
論文 参考訳（メタデータ） (2023-02-23T18:59:36Z) - UniFormer: Unifying Convolution and Self-attention for Visual
Recognition [69.68907941116127]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、ここ数年で主要なフレームワークである。
コンボリューションと自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。
我々のUniFormerはImageNet-1K分類において86.3トップ1の精度を実現している。
論文 参考訳（メタデータ） (2022-01-24T04:39:39Z)
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。