論文の概要: Lucida: Parse, Generate, and Place for Composable Real-to-Sim Scene Modeling

• arxiv url: http://arxiv.org/abs/2608.30821v1
• Date: Mon, 31 Aug 2026 14:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.429857
• Title: Lucida: Parse, Generate, and Place for Composable Real-to-Sim Scene Modeling
• Title（参考訳）: Lucida: 構成可能なリアルタイムシーンモデリングのためのParse、Generate、Place
• Abstract要約: 構成可能なシーンモデリングは、実際の屋内シーンを、観察されたように配置された完全な編集可能なオブジェクトアセットとして復元することを目的としている。 Luciaはビデオをシーングラフに解析し、ノードはインスタンスごとのマルチビューのエビデンスを持っている。 Luciaは、マルチターンGUIインタラクションとして配置するVLMポリシーであるGizmoActで資産を配置する。
• 参考スコア（独自算出の注目度）: 11.305288161442995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composable scene modeling aims to recover a real indoor scene as complete, editable object assets arranged as observed, giving robot simulation and embodied AI a simulation-ready replica of the real environment whose objects can be manipulated individually. Existing pipelines decompose the task into three steps---parse the observations into instances, generate an asset for each, and place each asset back---but every step presumes an input that a cluttered capture rarely provides: accurate instance geometry, unoccluded views, and assets that accurately match the observations. We propose Lucida, which keeps this order but redistributes the requirements, so each step consumes only what a real capture reliably provides and precision is reached at the end of the pipeline rather than demanded at its start. Lucida parses the video into a scene graph whose nodes carry per-instance multi-view evidence, generates a complete asset for each instance from its evidence, and places assets with GizmoAct, a VLM policy that casts placement as multi-turn GUI interaction, manipulating the object's gizmo in a closed loop and deciding itself when alignment is reached. Across scene-level 3D object detection, object pose estimation, and scene reconstruction, Lucida improves mAP over Boxer by 69% on R2S-Scene, raises ADD-SB@0.05 from 57.8% to 83.4% on CA-1M, and increases scene F-Score from 0.794 for SAM3D to 0.924.
• Abstract（参考訳）: 構成可能なシーンモデリングは、実際の屋内シーンを、観察されたように配置された完全な、編集可能なオブジェクトアセットとして復元することを目的としており、ロボットシミュレーションと具体化されたAIは、オブジェクトを個別に操作できる実際の環境のシミュレーション可能なレプリカを提供する。 既存のパイプラインは、タスクを3つのステップに分解します - インスタンスに分割し、それぞれのアセットを生成し、各アセットを配置します。 この順序を維持しながら要求を再分配するLucidaを提案するので、各ステップは、実際のキャプチャが確実に提供するもののみを消費し、パイプラインの終了時に、その開始時に要求されるのではなく、精度を達成します。 Lucidaは動画を、インスタンスごとのマルチビューエビデンスを持つシーングラフに解析し、そのエビデンスから各インスタンスの完全なアセットを生成し、マルチターンGUIインタラクションとして配置をキャストするVLMポリシーであるGizmoActにアセットを配置し、クローズドループでオブジェクトのジンモを操作し、アライメントがいつ到達するかを判断する。 シーンレベルの3Dオブジェクトの検出、オブジェクトのポーズ推定、シーン再構築を通じて、LucidaはBoxer上のmAPをR2S-Sceneで69%改善し、ADD-SB@0.05をCA-1Mで57.8%から83.4%に、SAM3Dで0.794から0.924に向上させた。

関連論文リスト

• WorldSculpt: Generating Compositional Worlds from Grounded Videos [50.427204240556854]
  本研究では,数百個のオブジェクトを含む散在するシーンの合成3次元表現を生成する問題について検討する。 この課題は、物体が互いに強く干渉し合うような密集したシーンにおいて挑戦的であり、それぞれのビューはその幾何のごく一部しか明らかにしない。 多視点観察に先立ち、強い単物体3D生成を適応させることにより、数百個の物体からなる複雑なシーンを合成的に生成できることが示される。
  論文  参考訳（メタデータ） (2026-09-04T17:59:35Z)
• Scene-SAM3D: Multi-View Scene Asset Generation Without Fine-Tuning [51.11861596631423]
  Scene-SAM3Dは、SAM3Dをシングルビューオブジェクト生成からマルチビューシーンアセット生成まで拡張する、トレーニング不要のフレームワークである。 Scene-SAM3Dは、補完的なビューのコンパクトなセットを選択し、観察冗長性を低減し、個々のビューに隠された領域のさらなる証拠を提供する。 ステップ効率の遅延速度融合を行い、多視点エビデンスを統合し、標準空間におけるクロスビュー競合を抑制する。
  論文  参考訳（メタデータ） (2026-07-18T12:51:17Z)
• Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
  Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。 マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。 LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
  論文  参考訳（メタデータ） (2026-06-10T23:56:01Z)
• GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
  GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。 GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。 我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。 GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
  論文  参考訳（メタデータ） (2026-06-03T17:57:45Z)
• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• SceneSmith: Agentic Generation of Simulation-Ready Indoor Scenes [19.995619927680476]
  SceneSmithは、建築レイアウトから天然家具の人口まで、環境を構築する。 SceneSmithは従来の方法よりも多くのオブジェクトを生成し、2%のオブジェクト間衝突と96%のオブジェクトは物理シミュレーションの下で安定している。 SceneSmith環境は、エンドツーエンドのパイプラインで、自動ポリシ評価に使用することができる。
  論文  参考訳（メタデータ） (2026-02-09T19:56:04Z)
• ArtiWorld: LLM-Driven Articulation of 3D Objects in Scenes [43.19849355456126]
  ArtiWorldは、テキストシーン記述から候補のアーティキュラブルオブジェクトをローカライズする、シーン認識パイプラインである。 このパイプラインのコアとなるArti4URDFは、3Dポイントクラウドと大規模言語モデルの事前知識を活用している。 ArtiWorldを3つのレベル(3Dシミュレーションオブジェクト、フル3Dシミュレーションシーン、実世界のスキャンシーン)で評価する。
  論文  参考訳（メタデータ） (2025-11-17T04:59:21Z)
• PickScan: Object discovery and reconstruction from handheld interactions [99.99566882133179]
  シーンの3次元表現を再構成する対話誘導型クラス依存型手法を開発した。 我々の主な貢献は、操作対象のインタラクションを検出し、操作対象のマスクを抽出する新しいアプローチである。 相互作用ベースとクラス非依存のベースラインであるCo-Fusionと比較すると、これはシャムファー距離の73%の減少に相当する。
  論文  参考訳（メタデータ） (2024-11-17T23:09:08Z)
• Multi-Model 3D Registration: Finding Multiple Moving Objects in Cluttered Point Clouds [23.923838486208524]
  マルチモデル3D登録問題(Multi-model 3D registration)のバリエーションについて検討する。 マルチモデル登録問題では、異なるポーズでオブジェクトの集合を撮影する2点の雲が与えられる。 私たちは、すべてのオブジェクトが2点の雲の間を移動する様子を同時に再構築したいと考えています。
  論文  参考訳（メタデータ） (2024-02-16T18:01:43Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)

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。