論文の概要: Precise Top-Layer Fabric Segmentation for Fabric Destacking with Edge- and Shape-Aware Deep Networks
- arxiv url: http://arxiv.org/abs/2608.10648v1
- Date: Tue, 11 Aug 2026 08:32:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.961147
- Title: Precise Top-Layer Fabric Segmentation for Fabric Destacking with Edge- and Shape-Aware Deep Networks
- Title（参考訳）: エッジ・シェイプ・アウェア・ディープ・ネットワークを用いたファブリック・デスタッキングのための精密トップ・レイヤ・ファブリック・セグメンテーション
- Abstract要約: 重ね布地における上層布地セグメンテーションに適した,新しいセグメンテーショントレーニングアーキテクチャを提案する。
このメソッドは、2つの特殊なブランチを導入することで、古典的なエンコーダ/デコーダフレームワークを拡張している。
実世界のファブリックデータセットの実験では、トレーニングアプローチが確立されたベースラインを上回ることが示されている。
- 参考スコア（独自算出の注目度）: 8.266820805797826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fabric destacking requires precise segmentation of the topmost fabric layer, a task complicated by subtle fabric boundaries and high visual similarity between fabric layers. Existing semantic and edge-based segmentation approaches often struggle with these complexities, limiting the performance of robotic manipulation for different tasks. In this work, a novel segmentation training architecture tailored for top-layer fabric segmentation in stacked fabrics is proposed. The method extends the classical encoder-decoder framework by introducing two specialized branches - an edge-aware branch and a shape-aware branch - that are used to supervise the backbone network for better tuning. The edge-aware branch enhances boundary delineation, while the shape-aware branch guides the network to capture and align the overall fabric shape with reference masks derived from Computer Aided Design (CAD) models. Experiments on a real-world fabric dataset demonstrate that the training approach outperforms established baselines, verifying the effectiveness of the multi-branch design through both quantitative results and ablation studies.
- Abstract（参考訳）: ファブリックデスタッキングには、最上層の精密なセグメンテーション、微妙なファブリック境界と、ファブリック層間の視覚的類似性によって複雑なタスクが必要である。
既存のセグメンテーションとエッジベースのセグメンテーションのアプローチは、しばしばこれらの複雑さに悩まされ、異なるタスクに対するロボット操作のパフォーマンスが制限される。
本研究は, 積層布地における上層布地セグメンテーションに適した新しいセグメンテーショントレーニングアーキテクチャを提案する。
従来のエンコーダ/デコーダフレームワークを拡張し、エッジ対応ブランチとシェイプ対応ブランチという2つの特殊なブランチを導入し、バックボーンネットワークを監視してチューニングを改善する。
エッジ対応ブランチは境界線を延長し、形状対応ブランチはネットワークをガイドし、コンピュータ・エイドド・デザイン(CAD)モデルから派生した参照マスクで全体の布の形状をキャプチャし整列させる。
実世界のファブリックデータセットの実験では、トレーニング手法が確立されたベースラインよりも優れており、定量的結果とアブレーション研究の両方を通してマルチブランチ設計の有効性を検証する。
関連論文リスト
- Learning-based Seam Correspondence Reconstruction in Sewing Patterns [28.401586989647186]
本稿では,2段階縫合情報,粗いパネル接続,きめ細かなシーム対応を再構築するグラフベースの学習フレームワークを提案する。
本手法は,多対一対応,パネル内シーム,湾曲シームなど複雑な縫製パターントポロジーをサポートする。
論文 参考訳（メタデータ） (2026-07-23T11:26:39Z) - MeshOn: Intersection-Free Mesh-to-Mesh Composition [31.66351849611233]
本稿では,2つの入力メッシュの物理的および意味的リアルな構成を見つける方法であるMeshOnを提案する。
アクセサリ、ユーザ定義のターゲットリージョンを備えたベースメッシュ、および両方のメッシュのためのオプションのテキスト文字列が与えられたら、MeshOnは、メッシュを現実的に適合させるために、マルチステップ最適化フレームワークを使用する。
論文 参考訳（メタデータ） (2026-04-09T22:14:56Z) - MeshTailor: Cutting Seams via Generative Mesh Traversal [11.174459652257218]
3次元表面上のエッジアライメントシームを合成する最初のメッシュネイティブな生成フレームワークであるMeshTailorを紹介する。
従来の最適化ベースや外部学習ベースの方法とは異なり、MeshTailorはメッシュグラフ上で直接動作し、プロジェクションアーティファクトや脆弱なスナッピングを排除している。
論文 参考訳（メタデータ） (2026-03-28T15:30:24Z) - GarmageNet: A Multimodal Generative Framework for Sewing Pattern Design and Generic Garment Modeling [35.49678134341859]
GarmageNetは、2Dミシンパターンの作成を自動化する生成フレームワークである。
ガーマージ(Garmage)は、各パネルを構造的幾何学的イメージとしてエンコードする、新しい衣服表現である。
GarmageSetは14,801のプロフェッショナルデザインの衣服からなる大規模なデータセットである。
論文 参考訳（メタデータ） (2025-04-02T08:37:32Z) - Mesh Mamba: A Unified State Space Model for Saliency Prediction in Non-Textured and Textured Meshes [50.23625950905638]
メッシュサリエンシは、自然に視覚的注意を引き付ける領域を特定して強調することにより、3D視覚の適応性を高める。
状態空間モデル (SSM) に基づく統合唾液度予測モデルであるメッシュ・マンバを導入する。
Mesh Mambaは、トポロジカルフレームワークにテクスチャ機能をシームレスに組み込んだまま、メッシュの幾何学的構造を効果的に分析する。
論文 参考訳（メタデータ） (2025-04-02T08:22:25Z) - Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。
最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。
これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。
合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-06T16:31:20Z) - Auto-Panoptic: Cooperative Multi-Component Architecture Search for
Panoptic Segmentation [144.50154657257605]
本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。
検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
論文 参考訳（メタデータ） (2020-10-30T08:34:35Z) - Region-adaptive Texture Enhancement for Detailed Person Image Synthesis [86.69934638569815]
RATE-Netは、シャープなテクスチャで人物画像を合成するための新しいフレームワークである。
提案するフレームワークは,テクスチャ強化モジュールを利用して,画像から外観情報を抽出する。
DeepFashionベンチマークデータセットで実施された実験は、既存のネットワークと比較して、我々のフレームワークの優位性を実証した。
論文 参考訳（メタデータ） (2020-05-26T02:33:21Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z) - Towards Analysis-friendly Face Representation with Scalable Feature and
Texture Compression [113.30411004622508]
普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。
ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。
提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
論文 参考訳（メタデータ） (2020-04-21T14:32:49Z)
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。