論文の概要: DigitCode: Symbolic Tokenization of Hand Motion by Anatomical Units
- arxiv url: http://arxiv.org/abs/2608.03127v1
- Date: Tue, 04 Aug 2026 04:55:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.038302
- Title: DigitCode: Symbolic Tokenization of Hand Motion by Anatomical Units
- Title（参考訳）: DigitCode: 解剖単位による手の動きのシンボリックトークン化
- Abstract要約: 手の動きは、骨ごとの1つの固定方向シンボルのT x 40グリッドとして記述される。
記号の解剖学的単位は、骨、指、または手全体にまたがるべきである。
DigitCodeは、HLのアルファベットを1つのコード内の手の単位階層に沿って適用し、グループ化し、階層化する。
- 参考スコア（独自算出の注目度）: 11.229139088828893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hand motion carries the finest-grained information in human activity, yet the representations behind hand generation, understanding, and robot learning are overwhelmingly continuous--joint angles or MANO parameters. These are accurate but unstructured: a finger cannot be indexed or edited as a symbol, and nothing marks a pose as anatomically valid. Discrete symbolic representations supply exactly this structure, and Hand Labanotation (HL) has shown they are feasible for the hand, writing motion as a T x 40 grid of one fixed direction symbol per bone. Building on this grid, we ask the question underneath it: the anatomical unit a symbol should span--bone, finger, or whole hand. DigitCode answers it by adapting, grouping, and layering HL's alphabet along the hand's unit hierarchy within one code, cutting the symbolic representation's quantization error by three quarters. The lever is the unit, not the quantizer family: at a fixed unit, training-free and learned strong quantizers are interchangeable on reconstruction, while moving down the anatomical hierarchy is what shifts accuracy. The hierarchy also tracks what downstream tasks need. Because a finger is a genuine, enumerable unit, one per-finger token doubles as a training-free, editable handle for jobs a continuous representation cannot address--repairing malformed generated hands, and retargeting them onto robots. We release HandTok, a reproducible testbed, so hand tokenizers can be compared unit-for-unit. Project page: https://digitcode-demo.github.io.
- Abstract（参考訳）: 手の動きは、人間の活動において最もきめ細かい情報を持っているが、手作り、理解、ロボット学習の背後にある表現は、圧倒的に連続した角度またはMANOパラメータである。これは正確だが非構造的だ。指を記号としてインデックス化したり編集したりすることはできず、解剖学的に妥当なポーズも示さない。シンボル表現を識別することは、この構造を正確に提供し、ハンドラファノテーション(HL)は、手にとって可能であり、骨ごとに1つの固定方向のシンボルのT x 40グリッドとして運動を記述する。この格子の上に、私たちは、その下にある疑問を問う。
DigitCodeは、HLのアルファベットを1つのコードの単位階層に沿って順応し、グループ化し、階層化し、シンボル表現の量子化誤差を4分の3削減することで答える。
レバーは量子化器ファミリーではなく単位であり、固定単位では、訓練のない、学習された強力な量子化器は再構築時に交換可能であり、解剖学的階層を下方へ移動することは正確性を変える。
階層構造は、下流のタスクに必要なものも追跡する。
指は本物でエヌマブルなユニットなので、指1本あたりのトークンはトレーニング不要で、連続的な表現ではアドレスを認識できない仕事のための編集可能なハンドルとして二重化され、不正な生成された手を取り除き、ロボットに再ターゲティングする。
再現可能なテストベッドであるHandTokをリリースしているので、ハンドトークンをユニット・フォー・ユニットと比較することができます。
プロジェクトページ: https://digitcode-demo.github.io
関連論文リスト
- Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand [1.3799995789461068]
歩行ロボットハンドは、同じ指を使って体を動かし、体重を支え、環境と対話しなければならない。
人為的手は指のデザインと位置制御を保ちながら、これらのスキルを学べることを示す。
論文 参考訳（メタデータ） (2026-09-15T13:34:40Z) - Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
指の構造、接触面、センサーレイアウトが異なる。
本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
論文 参考訳（メタデータ） (2026-09-14T15:22:59Z) - Assembling Two Parts in One Hand [30.640839805305635]
人間の器用さの目印は、異なる指が異なるが協調的な役割を担っている指の協調的使用である。
本研究は, 片手2つの剛体物体を1つの自在な手内に配向させることにより, 指の高さの調整について検討する。
本稿では,この問題を統一的な枠組みで解くための強化学習形式を提案する。
論文 参考訳（メタデータ） (2026-09-09T13:17:34Z) - UniMorphGrasp: Diffusion Model with Morphology-Awareness for Cross-Embodiment Dexterous Grasp Generation [63.13144787866563]
クロス・エボディメント・グルーピングは、異種キネマティック構造を持つロボットハンドに対して、安定かつ多様なグルーピングを生成することを目的としている。
ハンドモーフィック情報をグリップ生成プロセスに組み込んだ拡散型フレームワークである textbfUniMorphGrasp を提案する。
UniMorphGraspは、既存のデクスタラスグリップベンチマークで最先端のパフォーマンスを達成し、以前は目に見えない手の構造に対して強力なゼロショットの一般化を示す。
論文 参考訳（メタデータ） (2026-01-31T21:56:16Z) - Mechanisms of Symbol Processing for In-Context Learning in Transformer Networks [78.54913566111198]
大規模言語モデル(LLM)は、文脈内学習(ICL)によるシンボル処理における印象的な能力を示した。
トランスネットワークにおけるロバストなシンボル処理を実現するメカニズムの解明を目指す。
複雑で抽象的なシンボル処理を行うための記号プログラムを記述できる高レベル言語 PSL を開発した。
論文 参考訳（メタデータ） (2024-10-23T01:38:10Z) - HandRefiner: Refining Malformed Hands in Generated Images by Diffusion-based Conditional Inpainting [72.95232302438207]
拡散モデルは現実的な画像の生成において顕著な成功を収めた。
しかし、不正確な指数や不規則な形など、正確な人間の手を生成することに苦しむ。
本稿では,HandRefinerという軽量な後処理ソリューションを提案する。
論文 参考訳（メタデータ） (2023-11-29T08:52:08Z) - Object Discovery from Motion-Guided Tokens [50.988525184497334]
自動エンコーダ表現学習フレームワークを、モーションガイダンスと中間レベルの特徴トークン化により強化する。
我々のアプローチは、解釈可能なオブジェクト固有の中間レベルの特徴の出現を可能にする。
論文 参考訳（メタデータ） (2023-03-27T19:14:00Z) - Rotating without Seeing: Towards In-hand Dexterity through Touch [43.87509744768282]
本稿では,タッチデクスタリティ(Touch Dexterity)を提案する。
小さな領域で正確な触覚センサーに頼る代わりに、ロボットハンドの片側をオーバーレイする密度の高い二分力センサー(タッチまたはタッチなし)を用いた新しいシステム設計を導入する。
我々は,各種物体のシミュレーションに強化学習を用いて手動回転ポリシーを訓練する。タッチオンリーセンシングを応用して,実際のロボットの手で直接ポリシーを展開し,トレーニングで提示されていない新規物体を回転させることができる。
論文 参考訳（メタデータ） (2023-03-20T05:38:30Z) - Im2Hands: Learning Attentive Implicit Representation of Interacting
Two-Hand Shapes [58.551154822792284]
Implicit Two Hands (Im2Hands) は、2つの相互作用する手の最初の暗黙の表現である。
Im2Handsは、両手と手と手と画像のコヒーレンシーの高い2つの手のきめ細かい幾何学を生成することができる。
両手再建におけるIm2Handsの有効性を, 関連手法と比較して実験的に実証した。
論文 参考訳（メタデータ） (2023-02-28T06:38:25Z) - NeuralGrasps: Learning Implicit Representations for Grasps of Multiple
Robotic Hands [15.520158510964757]
複数のロボットハンドから物体をつかむ神経暗黙表現を導入する。
複数のロボットハンドにまたがる異なるグリップは、共有潜在空間に符号化される。
グリップトランスファーは、ロボット間で把握スキルを共有し、ロボットが人間から把握スキルを学習できるようにする可能性がある。
論文 参考訳（メタデータ） (2022-07-06T20:33:32Z) - Towards Predicting Fine Finger Motions from Ultrasound Images via
Kinematic Representation [12.49914980193329]
米国の画像から特定指のアクティベーションを識別する推論問題について検討した。
本研究は,ロボット補綴器のアームアンプへの採用率向上に向けた重要なステップであると考えている。
論文 参考訳（メタデータ） (2022-02-10T18:05:09Z) - AAformer: Auto-Aligned Transformer for Person Re-Identification [82.45385078624301]
トランスアーキテクチャにおけるアライメント方式を初めて導入する。
本研究では,人体と非人体の両方をパッチレベルで自動的に検出する自動整列トランス (AAformer) を提案する。
AAformerは、部分アライメントを自己アテンションに統合し、出力[PART]を直接検索する機能として使用することができる。
論文 参考訳（メタデータ） (2021-04-02T08:00:25Z)
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。