論文の概要: Zero-Shot Transfer of Force Map Estimation Across GelSight Mini Sensors

• arxiv url: http://arxiv.org/abs/2608.18240v1
• Date: Tue, 18 Aug 2026 18:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.184043
• Title: Zero-Shot Transfer of Force Map Estimation Across GelSight Mini Sensors
• Title（参考訳）: ゲルS8極小センサ間の力マップ推定のゼロショット転送
• Abstract要約: 本稿では,GelSight Miniセンサユニット間の3次元力マップ推定を一般化する手法を提案する。 具体的には、入力された触覚画像をUniTモデルを用いて一般的な触覚画像として再構成する領域適応段階と、U-Netネットワークを用いた3次元力地図推定段階とからなる。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the rapid industrialization of the touch sensor manufacturing process, most of these sensors are still handmade in research laboratories. This complicates standardizing their performance, requiring the repetition of data collection and training models for each unit produced. To address this problem, this paper presents a method that can generalize the estimation of 3D force maps across different GelSight Mini sensor units, regardless of the sensor version. Specifically, the method consists of two stages: a domain adaptation stage, in which the input tactile image is reconstructed as a general tactile image using a UniT-based model; and a stage for estimating 3D force maps employing a U-Net network. Our proposal achieves promising results in both steps, such as an SSIM of 0.9338 +- 0.0358 in the image reconstruction phase and an MAE_F of 1.1294 +- 1.5934(N) in the force estimation phase.
• Abstract（参考訳）: タッチセンサー製造プロセスの急速な工業化にもかかわらず、これらのセンサーの多くは現在も研究施設で手作りされている。 これによりパフォーマンスの標準化が複雑になり、生成した各ユニットごとにデータ収集とトレーニングモデルを繰り返す必要が生じる。 そこで本研究では,センサのバージョンに関わらず,GelSight Miniのセンサユニット間での3次元力マップ推定を一般化する手法を提案する。 具体的には、入力された触覚画像をUniTモデルを用いて一般的な触覚画像として再構成する領域適応段階と、U-Netネットワークを用いた3次元力地図推定段階とからなる。 提案手法は,画像再構成フェーズにおけるSSIM 0.9338 +- 0.0358,力推定フェーズにおけるMAE_F 1.1294 +- 1.5934(N) など,両ステップで有望な結果が得られる。

関連論文リスト

• OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
  OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。 射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。 代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
  論文  参考訳（メタデータ） (2026-09-08T19:45:58Z)
• SPLIT: Separating Physical-Contact via Latent Arithmetic in Image-Based Tactile Sensors [0.5500249707065662]
  本稿では,画像ベース触覚センサのシミュレーション手法であるSPLITを提案する。 我々のアプローチの中心は、センサー固有の光学特性から接触幾何学を明示的に切り離す潜在空間算術戦略である。 可変解像度の有限要素法(FEM)ソフトボディメッシュシミュレーションを行い,速度と忠実度を調整可能なトレードオフを提供する。
  論文  参考訳（メタデータ） (2026-04-27T13:13:58Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Practical cross-sensor color constancy using a dual-mapping strategy [0.0]
  提案手法では,D65条件下では,テストセンサからの単純な白点のみを必要とする。 第2のマッピングフェーズでは、再構成された画像データをスパースに変換し、軽量な多層パーセプトロン(MLP)モデルで最適化する。 このアプローチは、センサの相違を効果的に低減し、主要なクロスセンサー手法と同等の性能を提供する。
  論文  参考訳（メタデータ） (2023-11-20T13:58:59Z)
• Joint 3D Shape and Motion Estimation from Rolling Shutter Light-Field Images [2.0277446818410994]
  本研究では,ローリングシャッターセンサを備えた光界カメラで撮影した1枚の画像からシーンを3次元再構成する手法を提案する。 本手法は、光場に存在する3次元情報キューと、ローリングシャッター効果によって提供される動き情報を利用する。 本稿では,このセンサの撮像プロセスの汎用モデルと再投射誤差を最小化する2段階アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-02T15:08:18Z)
• Machine Learning Based Compensation for Inconsistencies in Knitted Force Sensors [1.0742675209112622]
  編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。 本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。 合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-21T09:19:33Z)
• From One to Many: Dynamic Cross Attention Networks for LiDAR and Camera Fusion [12.792769704561024]
  既存の融合法では、キャリブレーションに基づいて、各3Dポイントを1つの投影された画像ピクセルに調整する傾向がある。 本稿では,動的クロスアテンション(DCA)モジュールを提案する。 Dynamic Cross Attention Network (DCAN) という名称の核融合アーキテクチャは、マルチレベルイメージ機能を活用し、ポイントクラウドの複数の表現に適応する。
  論文  参考訳（メタデータ） (2022-09-25T16:10:14Z)
• Semi-Perspective Decoupled Heatmaps for 3D Robot Pose Estimation from Depth Maps [66.24554680709417]
  協調環境における労働者とロボットの正確な3D位置を知ることは、いくつかの実際のアプリケーションを可能にする。 本研究では、深度デバイスと深度ニューラルネットワークに基づく非侵襲的なフレームワークを提案し、外部カメラからロボットの3次元ポーズを推定する。
  論文  参考訳（メタデータ） (2022-07-06T08:52:12Z)
• Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
  SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。 実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
  論文  参考訳（メタデータ） (2022-04-07T10:45:32Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Deep Continuous Fusion for Multi-Sensor 3D Object Detection [103.5060007382646]
  本稿では,LIDARとカメラを併用して高精度な位置検出を実現する3Dオブジェクト検出器を提案する。 我々は,連続畳み込みを利用して画像とlidar特徴マップを異なるレベルの解像度で融合する,エンドツーエンド学習可能なアーキテクチャを設計した。
  論文  参考訳（メタデータ） (2020-12-20T18:43:41Z)

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。