論文の概要: HandEdit: A Unified Benchmark for Egocentric Human-to-Robot Dexterous Hand Image Editing

• arxiv url: http://arxiv.org/abs/2608.12122v1
• Date: Wed, 12 Aug 2026 14:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.615853
• Title: HandEdit: A Unified Benchmark for Egocentric Human-to-Robot Dexterous Hand Image Editing
• Title（参考訳）: HandEdit:Egocentric Human-to-Robot Dexterous Hand ImageEditingのための統一ベンチマーク
• Abstract要約: HandEditは、大規模なエボディメント対応の画像編集データセットとベンチマークである。 人間の手と腕を、エゴセントリックなフレーム内の様々な器用なロボット体に変身させる。 HandEditは、5つの多様なソースデータセットから派生した2億以上の編集インスタンスで構成されている。
• 参考スコア（独自算出の注目度）: 96.6894553388557
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robotic manipulation with dexterous hands is a cornerstone of Embodied AI, yet its progress is stifled by the high cost of collecting embodiment-aware teleoperation data. While abundant egocentric videos of human hands offer a scalable alternative, the profound discrepancies in appearance, articulation, and camera viewpoints between human and robotic data raise significant challenges for co-training. Though existing general image-editing models demonstrate strong capabilities, they lack necessary embodiment-specific priors to fully bridge this gap. In this work, we present HandEdit, a unified large-scale embodiment-aware image-editing dataset and benchmark specifically designed to transform human hands and arms into various dexterous robotic embodiments within egocentric frames. HandEdit comprises over 200M editing instances derived from five diverse source datasets, covering 26 distinct URDFs, including 13 hand-only and 13 hand-arm configurations. Alongside the dataset, we establish a unified benchmark protocol with two tracks: Hand-only and Hand-Arm, supporting URDF-conditioned evaluation. We conduct extensive evaluations of 11 representative image-editing baselines using a multi-dimensional metric suite, including generic similarity metrics, VLM-based judgment, and embodiment-aware metrics. HandEdit serves as a critical resource at the intersection of image editing and robotics: it advances embodiment-aware editing models while enabling scalable dexterous robotic learning from abundant human video data, paving the way for more generalizable Embodied AI.
• Abstract（参考訳）: 器用な手によるロボット操作は、Embodied AIの基盤となっているが、その進歩は、エンボディメントを意識した遠隔操作データ収集のコストの高さに支えられている。 人間の手のエゴセントリックなビデオは、スケーラブルな代替手段を提供するが、外見、明瞭さ、人間とロボットのデータ間のカメラの視点の相違は、共同トレーニングに重大な課題をもたらす。 既存の一般的な画像編集モデルは強力な能力を示すが、このギャップを完全に埋めるために必要な具体的先行性は欠如している。 本研究では,人手と腕をエゴセントリックフレーム内の様々な自発性ロボットエボディメントに変換するために設計された,大規模エボディメントを意識した画像編集データセットとベンチマークであるHandEditを紹介する。 HandEditは、5つのさまざまなソースデータセットから派生した2億以上の編集インスタンスで構成されており、13のハンドオンと13のハンドアーム構成を含む26のURDFをカバーしている。 データセットとともに、URDF条件付き評価をサポートするハンドオンリーとハンドアームの2つのトラックで統一されたベンチマークプロトコルを構築した。 一般的な類似度尺度, VLMに基づく判断, エンボディメント対応尺度などを含む多次元計測スイートを用いて, 11の代表的な画像編集ベースラインを広範囲に評価する。 HandEditは、画像編集とロボティクスの交差点における重要なリソースとして機能し、エボディメントを意識した編集モデルを進化させ、豊富な人間のビデオデータからスケーラブルなデクスタラスなロボット学習を可能にし、より一般化可能なEmbodied AIへの道を歩む。

関連論文リスト

• AdvDex: Learning Dexterous Manipulation from Human Demonstrations via Joint-Aligned Actions and Adversarial Learning [25.241504281004243]
  本稿では,人間とロボットのデモから,器用な操作を学ぶためのフレームワークであるAdvDexを紹介する。 まず、人間の操作デモの大規模マルチモーダルデータセットであるOmniShareを紹介する。 第2に,手首ポーズが$mathrmSE(3)$および15指関節からなる標準動作表現であるJAAS(Joint-Aligned Action Space)を提案する。 第3に,学習した視覚表現における具体的情報を減らすために,ドメイン・アドバイサル・ラーニングを用いる。
  論文  参考訳（メタデータ） (2026-08-14T07:19:06Z)
• H2R-Bench: Benchmarking Human-to-Robot Manipulation Video Generation in World Models [56.60098789696351]
  H2R-Benchは、人間とロボットの相互操作ビデオ生成を評価するためのベンチマークである。 各ベンチマークインスタンスには、人間のデモビデオ、ターゲットの実施制約、ソース地上アノテーションが含まれている。 我々は、6つの操作ファミリーと2つのロボットエボディメントで11の最先端のビデオ生成モデルをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-13T10:14:33Z)
• Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models [95.75234389806654]
  本稿では、Qwen-VL上に構築された一般化可能なビジョン・ランゲージ・アクション基盤モデルであるQwen-RobotManipを提案する。 Qwen-RobotManipは、操作の表現、動き、行動の次元にわたって統合されたアライメントフレームワークを導入している。 人間とロボットの合成パイプラインは、エゴセントリックな手の動きを15プラットフォームにわたるロボットの軌道に変換する。
  論文  参考訳（メタデータ） (2026-06-16T12:14:39Z)
• UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos [65.2981273885678]
  実際のロボット遠隔操作データの収集コストのため、デクサラスな操作は依然として困難である。 我々は、ロボット中心の大規模データセットと視覚言語アクション(VLA)ポリシーを結合したロボット基盤スイートであるUniDexを紹介する。 UniDex-Dataset、UniDex-VLA、UniDex-Capは、ユニバーサルデキスタラス操作のためのスケーラブルな基盤スイートを提供する。
  論文  参考訳（メタデータ） (2026-03-23T17:49:12Z)
• DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos [56.64773686434068]
  DexImitは、人間の操作映像を物理的に妥当なロボットデータに変換する自動フレームワークである。 DexImitは、インターネットまたはビデオ生成モデルから、人間のビデオに基づいて大規模なロボットデータを生成することができる。 ツールの使用、長距離タスク、きめ細かい操作を含む多様な操作タスクを処理できる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:02Z)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• Decomposed Vector-Quantized Variational Autoencoder for Human Grasp Generation [27.206656215734295]
  本稿では,DVQ-VAE(Decomposed Vector-Quantized Variational Autoencoder)を提案する。 部分認識の分解アーキテクチャは、手とオブジェクトの各コンポーネント間のインタラクションをより正確に管理するのに役立つ。 提案モデルでは,4つのベンチマークにおいて,最先端の手法と比較して,品質指標の14.1%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2024-07-19T06:41:16Z)
• From One Hand to Multiple Hands: Imitation Learning for Dexterous Manipulation from Single-Camera Teleoperation [26.738893736520364]
  我々は,iPadとコンピュータのみで3Dデモを効率的に収集する,新しい単一カメラ遠隔操作システムを提案する。 我々は,操作者の手の構造と形状が同じであるマニピュレータである物理シミュレータにおいて,各ユーザ向けにカスタマイズされたロボットハンドを構築する。 データを用いた模倣学習では、複数の複雑な操作タスクでベースラインを大幅に改善する。
  論文  参考訳（メタデータ） (2022-04-26T17:59:51Z)

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。