論文の概要: SemAnCorr: Semantic Anchored Correspondence for Zero-Shot Manipulation Skill Transfer

• arxiv url: http://arxiv.org/abs/2607.28382v1
• Date: Thu, 30 Jul 2026 15:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.627439
• Title: SemAnCorr: Semantic Anchored Correspondence for Zero-Shot Manipulation Skill Transfer
• Title（参考訳）: SemAnCorr: ゼロショットマニピュレーションスキル伝達のためのセマンティックアンコール対応
• Authors: Xiaoxiang Dong, William Baron, Hongyi Chen, Uksang Yoo, Jeffrey Ichnowski, Weiming Zhi,
• Abstract要約: SemAnCorrは、密接な通信を確立するトレーニング不要のフレームワークである。 ベンチマーク評価の結果,SemAnCorrは90.8%のセマンティック精度を達成できた。 これらの改善は,実世界の操作性能に直接変換されることを示す。
• 参考スコア（独自算出の注目度）: 12.085313110793734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transferring manipulation skills across object instances that share functionality but differ in geometry remains a fundamental challenge in robot learning. While recent correspondence methods leverage dense visual descriptors and 3D feature fields, nearest-neighbor feature matching often produces spatially incoherent correspondences that fail to recover the local geometric frames required for reliable skill transfer. We introduce SemAnCorr, a training-free framework that establishes dense correspondence by selecting semantically consistent anchor regions through joint pose-correspondence optimization and propagating these constraints over the object surface using functional maps. The resulting correspondences preserve both semantic consistency and geometric coherence, enabling object-centric manipulation skills to transfer across geometrically diverse instances. We evaluate SemAnCorr on a dense correspondence benchmark built on PartNet-Mobility, achieving 90.8% semantic accuracy in our benchmark evaluation while improving geometric coherence over recent state-of-the-art baselines. Finally, we show that these improvements translate directly into real-world manipulation performance: using a single demonstration, SemAnCorr enables substantially more reliable zero-shot manipulation skill transfer to previously unseen objects than existing correspondence methods. Videos and additional visualizations are available at [https://semancorr.github.io](https://semancorr.github.io) .
• Abstract（参考訳）: 機能を共有しながら幾何学的に異なるオブジェクトインスタンス間で操作スキルを伝達することは、ロボット学習における根本的な課題である。 近年の対応手法では高密度な視覚ディスクリプタと3次元特徴場を利用するが、近接した特徴マッチングはしばしば空間的に不整合な対応を生じ、信頼性の高い技術伝達に必要な局所的な幾何学的フレームの復元に失敗する。 協調ポーズ対応最適化により意味的に一貫したアンカー領域を選択し,これらの制約を関数写像を用いて対象表面上で伝播することにより,密接な対応を確立する。 結果として得られる対応は意味的一貫性と幾何学的コヒーレンスの両方を保ち、幾何学的に多様なインスタンス間でオブジェクト中心の操作スキルを伝達することができる。 我々は,PartNet-Mobility上に構築された高密度対応ベンチマーク上でSemAnCorrを評価し,最近の最先端ベースラインよりも幾何コヒーレンスを向上しつつ,ベンチマーク評価において90.8%のセマンティック精度を実現した。 最後に,これらの改良が実世界の操作性能に直接変換されることを示し,SemAnCorrは従来の対応方法よりもはるかに信頼性の高いゼロショット操作スキルの転送を可能にする。 ビデオとさらなる視覚化は [https://semancorr.github.io] (https://semancorr.github.io) で見ることができる。

関連論文リスト

• GRAFT: Graph-Based Affordance Transfer via Part Correspondence [15.954352116733013]
  学習ベースのアプローチでは多くのデモが必要で、数ショットの環境では失敗する。 GRAFTは、オブジェクトごとの1つの実演のみを用いたゼロショット操作転送のための幾何対応対応フレームワークである。 未知のオブジェクトに対して,まずデモバッファから最も機能的で幾何学的に類似したインスタンスをアライメントした機能部分で検索し,最後に接点をポイントワイド対応で伝播する。
  論文  参考訳（メタデータ） (2026-06-23T23:58:57Z)
• Affordance Transfer Across Object Instances via Semantically Anchored Functional Map [4.786936073180585]
  本研究では,1つの視覚的実演からオブジェクト間でアベイランスを伝達するフレームワークであるemphSemantic Anchored Functional Maps (SemFM)を提案する。 本手法は,オブジェクト間のセマンティックな機能領域を特定し,相互に排他的なセマンティックアンカーを選択し,それらの制約を表面上で伝達する。 合成対象カテゴリーと実世界のロボット操作タスクの実験により,本手法が計算コストを抑えながら精度の高い移動を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-02-16T16:04:47Z)
• Copy-Trasform-Paste: Zero-Shot Object-Object Alignment Guided by Vision-Language and Geometric Constraints [12.704390013489054]
  2つのメッシュのゼロショット3Dアライメントについて,その関係を記述したテキストプロンプトを用いて検討した。 テスト時の相対的なポーズの最適化,翻訳,回転,等方的スケールの更新,CLIP駆動の勾配による検討を行った。 我々の手法は、意味論的に忠実で物理的に妥当なアライメントをもたらす全ての代替手段より優れています。
  論文  参考訳（メタデータ） (2026-01-20T18:12:55Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Learning Affine Correspondences by Integrating Geometric Constraints [30.695253062973784]
  本稿では, 密マッチングと幾何制約を統合することで, 正確なアフィン対応を抽出するパイプラインを提案する。 具体的には、密マッチングと新しいキーポイントスケールと向き推定器の助けを借りて、新しい抽出フレームワークを導入する。 実験により,提案手法の精度とロバスト性は,画像マッチングタスクにおいて既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-07T08:44:50Z)
• Telling Left from Right: Identifying Geometry-Aware Semantic Correspondence [80.6840060272386]
  本稿では,意味的対応のための幾何学的認識の重要性を明らかにする。 この情報を活用することで,意味的対応性能が著しく向上することを示す。 提案手法は,SPair-71kデータセット上で,65.4(ゼロショット)と85.6(教師)のPCK@0.10スコアを達成する。
  論文  参考訳（メタデータ） (2023-11-28T18:45:13Z)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T06:01:00Z)
• Temporally-Consistent Surface Reconstruction using Metrically-Consistent Atlases [131.50372468579067]
  そこで本稿では,時間変化点雲列から時間一貫性のある面列を復元する手法を提案する。 我々は、再構成された表面をニューラルネットワークによって計算されたアトラスとして表現し、フレーム間の対応性を確立することができる。 当社のアプローチは、いくつかの挑戦的なデータセットにおいて、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T17:48:25Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。