論文の概要: GraspMeanFlow: SE(3)-Equivariant MeanFlow for Few-Step 6-DoF Grasp Generation
- arxiv url: http://arxiv.org/abs/2608.03295v1
- Date: Tue, 04 Aug 2026 08:06:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.707954
- Title: GraspMeanFlow: SE(3)-Equivariant MeanFlow for Few-Step 6-DoF Grasp Generation
- Title（参考訳）: GraspMeanFlow: SE(3)-Equivariant MeanFlow for Few-Step 6-DoF Grasp Generation
- Abstract要約: 数ステップ6-DoFグリップ生成のためのSE(3)-equivariant MeanFlowフレームワークであるGraspMeanFlowを提案する。
本手法は, 有限時間間隔で平均速度を学習し, その時間間隔で蓄積した剛体変位を正確に再現する。
ACRONYMの実験では、GraspMeanFlowの単一関数評価が反復SE(3)フローモデルがアプローチするのに5つのステップを必要とする分布に達することが示されている。
- 参考スコア（独自算出の注目度）: 12.564090284474863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent data-driven methods for synthesizing 6-DoF grasp poses use generative models to learn complex grasp pose distributions and generate diverse candidate poses. In particular, SE(3)-equivariant flow-based models generate grasp poses that transform consistently with object rotations and translations. However, these methods sample by iterative numerical integration, requiring tens of function evaluations per grasp and limiting their use in real-time manipulation. We propose GraspMeanFlow, an SE(3)-equivariant MeanFlow framework for few-step 6-DoF grasp generation. Our method learns the average velocity over a finite time interval, defined through the time-ordered exponential so that it reproduces exactly the rigid-body displacement accumulated over that interval. We prove that a point-cloud-conditioned distribution transported by an equivariant average-velocity flow map remains invariant, so equivariance is retained under few-step sampling, and we condition the field on a pair of times by lifting both to equivariant vectors, leaving the backbone otherwise unchanged. For stable training, we pair a flow-matching boundary term with either of two consistency terms: the differential MeanFlow identity, whose target requires a Jacobian-vector product, or an equivalent semigroup loss that avoids it. Experiments on ACRONYM show that a single function evaluation of GraspMeanFlow reaches the EMD that an iterative SE(3) flow model needs five steps to approach, that a second instantiation of the same framework improves grasp success by up to 24.3 points in the few-step regime, and that both generate grasp distributions transforming exactly with the object.
- Abstract（参考訳）: 6-DoFグリップを合成する最近のデータ駆動手法は、複雑なグリップポーズ分布を学習し、多様な候補ポーズを生成するために生成モデルを用いている。
特に、SE(3)-同変フローベースモデルは、オブジェクトの回転や変換と一貫して変換されるグリップポーズを生成する。
しかし、これらの手法は反復的な数値積分によりサンプリングされ、握りごとに数十の関数評価が必要となり、リアルタイム操作での使用を制限する。
数ステップ6-DoFグリップ生成のためのSE(3)-equivariant MeanFlowフレームワークであるGraspMeanFlowを提案する。
本手法は, 有限時間間隔で平均速度を学習し, その時間間隔で蓄積した剛体変位を正確に再現する。
等変平均速度フローマップによって輸送される点雲条件分布が不変であることを証明するため、数ステップのサンプリングで等分散が維持され、両ベクトルを等変ベクトルに持ち上げ、背骨を不規則に残すことにより、一対に条件を定めている。
安定なトレーニングのために、フローマッチング境界項と2つの整合項のどちらかをペアリングする: 微分平均フロー恒等式、そのターゲットはヤコビアンベクトル積、またはそれを避ける半群損失である。
ACRONYMの実験では、GraspMeanFlowの単一関数評価がEDDに到達し、反復SE(3)フローモデルにアプローチするには5つのステップが必要であること、同じフレームワークの2番目のインスタンス化は、数ステップの状態で最大24.3ポイントのグリップ成功を改善すること、そしてどちらもオブジェクトと完全に変換されるグリップ分布を生成することを示している。
関連論文リスト
- SE(3)-MeanFlow: Few-Step Protein Backbone Generation on Lie Groups [33.76281571675535]
ユークリッド空間からタンパク質フレームのリー群幾何へ拡張する数ステップの生成フレームワークであるSE(3)-MeanFlowを紹介する。
回転や翻訳のためのクローズドフォームな平均速度IDを導出し、シミュレーションなしのトレーニングターゲットを与える。
論文 参考訳（メタデータ） (2026-07-29T19:58:00Z) - SurF: A Generative Model for Multivariate Irregular Time Series Forecasting [9.605729240308543]
本稿では,イベントシーケンスと単位レート指数雑音を学習する生成モデルであるSurFを提案する。
実世界の6つのベンチマークで、SurFは地震、リツイート、タオバオに関する最高のRMSEを達成している。
厳格なLeft-outプロトコルの下では、SurFは5/6データセット上の古典的およびニューラル自動回帰ベースラインをすべて破る。
論文 参考訳（メタデータ） (2026-05-13T19:46:48Z) - AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。
我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
論文 参考訳（メタデータ） (2026-05-13T16:06:34Z) - Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation [51.48086451600577]
E3Flowは、同変拡散ポリシーの限界に対処する新しいフレームワークである。
安定な多モード同変学習による効率的な整流を初めて統一する。
E3Flowは、最先端の球拡散政策よりも平均的な成功率を3.12%向上させる。
論文 参考訳（メタデータ） (2026-03-24T14:00:36Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - MeanFlowSE: one-step generative speech enhancement via conditional mean flow [13.437825847370442]
MeanFlowSEは、軌道に沿った有限区間の平均速度を学習する条件付き生成モデルである。
VoiceBank-DEMANDでは、シングルステップモデルは多ステップベースラインよりも計算コストが大幅に低い強い知性、忠実性、知覚品質を実現する。
論文 参考訳（メタデータ） (2025-09-18T11:24:47Z) - Contrastive Flow Matching [61.60002028726023]
コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。
提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。
比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
論文 参考訳（メタデータ） (2025-06-05T17:59:58Z) - Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。
本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-03-04T17:46:51Z) - SE(3) Equivariant Augmented Coupling Flows [16.65770540017618]
正規化フローの結合は、高速なサンプリングと密度評価を可能にする。
標準カップリングアーキテクチャは、原子のカルテシアン座標で動く供給フローを妨げている。
論文 参考訳（メタデータ） (2023-08-20T20:49:15Z) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳（メタデータ） (2022-11-24T07:30:27Z)
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。