論文の概要: LettuceVisSim: A Simulator That Generates Lettuce Image Time-series for Vision-Based Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.12505v1
• Date: Fri, 11 Sep 2026 07:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.650033
• Title: LettuceVisSim: A Simulator That Generates Lettuce Image Time-series for Vision-Based Reinforcement Learning
• Title（参考訳）: LettuceVisSim:視覚に基づく強化学習のためのレタス画像時系列を生成するシミュレータ
• Abstract要約: ビジョンに基づく強化学習は、制御環境農業(CEA)における意思決定の強力な可能性を秘めている このギャップに対処するために、ラベル付き時系列の作物画像を生成するレタス成長シミュレータであるLettuceVisSimを開発し、検証した。 本シミュレータは、ドライウェイトダイナミクスを撮影するためのプロセスベースモデルと、ドライウェイトからキャノピーレイアウト表現を導出するキャノピーレイアウトアルゴリズムと、画像生成のためのUnityレンダリングエンジンとを含む。
• 参考スコア（独自算出の注目度）: 0.250104309758398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based reinforcement learning holds strong potential for decision-making in controlled environment agriculture (CEA). However, its development is hindered by the scarcity of labelled crop images. To address this gap, LettuceVisSim, a lettuce growth simulator that generates labelled time series of crop images, was developed and validated. The simulator contains a process-based model (PBM) for shoot dry weight dynamics, a canopy layout algorithm for deriving canopy layout representations from shoot dry weight, and a Unity rendering engine for image generation. Five findings support the simulator. First, the PBM reproduced shoot dry weight under dynamic plant-density management with $\mathrm{R}^{2}=0.84$. Second, a piecewise cubic regression mapped shoot dry weight to potential projected area with $\mathrm{R}^{2}=0.94$. Third, the canopy layout representation was validated using 12 experimental datasets each having different dynamic environmental and spacing conditions. It reproduced the ground coverage ratio dynamics observed in measured images, achieving $\mathrm{R}^{2}=0.84$ when driven by measured shoot dry weight and $\mathrm{R}^{2}=0.40$ (0.76 excluding one outlier) when driven by PBM-simulated values. Fourth, the Unity rendering engine converted canopy layout representations into RGB and segmentation images at less than 10~ms. Fifth, a demonstration showed that a lighting-control policy can be learned and applied by observing only crop images that were generated with LettuceVisSim, providing a proof of concept of vision-based reinforcement learning in CEA using LettuceVisSim.
• Abstract（参考訳）: ビジョンに基づく強化学習は、制御環境農業(CEA)における意思決定の強い可能性を秘めている。 しかし、その発達は、ラベル付き作物画像の不足によって妨げられている。 このギャップに対処するために、ラベル付き時系列の作物画像を生成するレタス成長シミュレータであるLettuceVisSimを開発し、検証した。 本シミュレータは、ドライウェイトダイナミクスを撮影するためのプロセスベースモデル(PBM)と、ドライウェイトからキャノピーレイアウト表現を導出するためのキャノピーレイアウトアルゴリズムと、画像生成のためのUnityレンダリングエンジンとを含む。 5つの発見がシミュレータをサポートしています。 第一に、PBMは、動的植物密度管理の下で、$\mathrm{R}^{2}=0.84$で、乾燥重量を再現した。 第二に、区分的に立方回帰写像されたドライウェイトは、$\mathrm{R}^{2}=0.94$の潜在的射影領域に射影される。 第3に, 動的環境と間隔の異なる12種類の実験データセットを用いて, キャノピー配置の表現を検証した。 測定された画像で観測された地表面積比のダイナミクスを再現し、測定されたシュートドライウェイトによって駆動されたときに$\mathrm{R}^{2}=0.84$、PBMシミュレーションされた値で駆動されたときに$\mathrm{R}^{2}=0.40$ (0.76)を達成した。 第4に、Unityレンダリングエンジンは、キャノピーレイアウトの表現をRGBとセグメンテーションイメージに10〜ms未満で変換した。 第5に、LetuceVisSimで生成した作物画像のみを観察し、LetuceVisSimを用いたCEAにおける視覚に基づく強化学習の概念の証明を提供することにより、照明制御ポリシーを学習し、適用できることが実証された。

関連論文リスト

• Image2Sim: Scaling Embodied Navigation via Generative Neural Simulator [70.34667754804168]
  Embodied Navigationは、マルチモーダルな目標を解釈し、3D空間を推論し、現実の世界で確実に目的地に到達するエージェントを構築することを目的としている。 本稿では,RGB-D画像シーケンスから高品質な対話環境を構築するリアルタイムニューラルネットワークフレームワークであるImage2Simを紹介する。
  論文  参考訳（メタデータ） (2026-07-07T02:42:41Z)
• Cam2Sim: Neural Scenario Reconstruction for Closed-Loop Autonomous Driving Simulation [0.9114245816258512]
  Cam2Simは、現実世界の運転記録を再生可能なCARLAシミュレーションシナリオに変換するツールである。 このフレームワークはROSベースのデータ抽出、駐車車検出、OpenStreetMapベースのマップ生成をサポートする。 我々はCam2Simを、カメラベースのエンドツーエンド運転モデルを用いて、現実の都市走行シナリオで検証する。
  論文  参考訳（メタデータ） (2026-07-06T08:03:31Z)
• FalconTrack: Photorealistic Auto-Labeled Perception and Physics-Aware Vision-Based Aerial Tracking [5.430107038361476]
  FalconTrackは、視覚ベースの空中追跡のための統合された知覚追跡フレームワークである。 ゼロショット sim-to-real 転送において、20分以内で10kのラベル付き画像を生成し、96-100%のクラス精度を実現している。 搭載システムは約25Hzで動作し、2つの環境にまたがる5つの軌跡において、実物F1-10thとゲートトラッキングにおいて100%の成功を達成している。
  論文  参考訳（メタデータ） (2026-06-29T05:03:57Z)
• A Scalable Pipeline Combining Procedural 3D Graphics and Guided Diffusion for Photorealistic Synthetic Training Data Generation in White Button Mushroom Segmentation [0.0]
  工業用キノコ栽培は、コンピュータービジョンによる監視と自動収穫にますます依存している。 合成データはスケーラブルな代替手段を提供するが、現実のシナリオに一般化するのに十分なリアリズムを欠いていることが多い。 本稿では,Blenderの3Dレンダリングと制約付き拡散モデルを統合し,高品質なアノテート合成画像を生成する新しいワークフローを提案する。
  論文  参考訳（メタデータ） (2025-12-09T15:57:29Z)
• Mars Traversability Prediction: A Multi-modal Self-supervised Approach for Costmap Generation [10.388277401241464]
  惑星ローバーのトラバーサビリティコストマップを予測するためのロバストなフレームワークを提案する。 我々のモデルは、カメラとLiDARデータを融合して、鳥眼視(BEV)地形のコストマップを生成する。 主なアップデートは、DINOv3ベースのイメージエンコーダ、FiLMベースのセンサーフュージョンである。
  論文  参考訳（メタデータ） (2025-09-14T04:19:52Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [52.598772767324036]
  本稿では,2次元ガウス放射率に基づくコンテンツ適応型画像表現であるImage-GSを紹介する。 リアルタイム使用のためにハードウェアフレンドリーな高速アクセスをサポートし、ピクセルをデコードするためには0.3KのMACしか必要としない。 テクスチャ圧縮、セマンティクス対応圧縮、共同画像圧縮と復元など、いくつかのアプリケーションでその汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)
• Generative AI in Agriculture: Creating Image Datasets Using DALL.E's Advanced Large Language Model Capabilities [0.4143603294943439]
  テキスト・ツー・イメージと画像・ツー・イメージ(変分)の両手法を用いた研究 画像から画像への生成は、平均PSNRがテキストから画像への変換よりも5.78%増加した。 また,画像から画像までの手法を用いて生成した画像は,テキストから画像へのアプローチで生成した画像よりも現実的であった。
  論文  参考訳（メタデータ） (2023-07-17T19:17:10Z)
• Generative Multiplane Neural Radiance for 3D-Aware Image Generation [102.15322193381617]
  本稿では,複数のターゲットビューに対して連続した3次元高解像度画像を効率よく生成する手法を提案する。 我々のGMNRモデルは、単一のV100上で17.6FPSの1024×1024ピクセルの3D認識画像を生成する。
  論文  参考訳（メタデータ） (2023-04-03T17:41:20Z)
• Shape, Pose, and Appearance from a Single Image via Bootstrapped Radiance Field Inversion [54.151979979158085]
  提案手法では,自然画像に対する基本的エンドツーエンド再構築フレームワークを導入し,正確な地平のポーズが得られない。 そこで,モデルが解の第一の推算を生成するハイブリッド・インバージョン・スキームを適用する。 当社のフレームワークでは,イメージを10ステップでデレンダリングすることが可能で,現実的なシナリオで使用することが可能です。
  論文  参考訳（メタデータ） (2022-11-21T17:42:42Z)
• 360FusionNeRF: Panoramic Neural Radiance Fields with Joint Guidance [6.528382036284374]
  ニューラル放射場(NeRF)に基づくパノラマ画像から360円の新規なビューを合成する方法を提案する。 トレーニングプロセスの指導に幾何学的監督と意味的整合性を導入するための半教師付き学習フレームワークである360FusionNeRFを提案する。
  論文  参考訳（メタデータ） (2022-09-28T17:30:53Z)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)
• Spatial-Separated Curve Rendering Network for Efficient and High-Resolution Image Harmonization [59.19214040221055]
  本稿では,空間分離型曲線描画ネットワーク(S$2$CRNet)を提案する。 提案手法は従来の手法と比較して90%以上のパラメータを減少させる。 提案手法は,既存の手法よりも10ドル以上高速な高解像度画像をリアルタイムにスムーズに処理することができる。
  論文  参考訳（メタデータ） (2021-09-13T07:20:16Z)

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。