論文の概要: Attention-DP3: Spatially Object-aware 3D Diffusion Policy via Geometry-aligned Attentional Conditioning

• arxiv url: http://arxiv.org/abs/2609.13318v1
• Date: Thu, 10 Sep 2026 19:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.223695
• Title: Attention-DP3: Spatially Object-aware 3D Diffusion Policy via Geometry-aligned Attentional Conditioning
• Title（参考訳）: 注意-DP3:幾何学的アテンショナルコンディショニングによる空間的物体認識3次元拡散政策
• Abstract要約: 空間的オブジェクト認識型3D拡散ポリシーである textbfAttention-DP3 を提案する。 我々のパイプラインはRGB画像上でオープン語彙2Dセグメンテーションを行い、キャリブレーションされたカメラ幾何を用いて予測されたターゲットマスクを3Dに持ち上げる。 Adroit、DexArt、MetaWorld、および現実世界のSO101プラットフォームに関する実験は、DP3よりも一貫した改善を示し、最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 54.692734738738885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D point-cloud observations are inherently ambiguous in complex, cluttered manipulation scenes, where target objects may be partially occluded or tightly intermingled with visually similar distractors. As a result, standard 3D diffusion policies often struggle to localize and exploit task-relevant geometry as scene complexity grows. We propose \textbf{Attention-DP3}, a spatially object-aware 3D diffusion policy that injects object-level geometric cues via attention while keeping the DP3 diffusion backbone unchanged. Our pipeline performs open-vocabulary 2D segmentation on RGB images, then lifts predicted target masks into 3D using calibrated camera geometry to obtain object-centric geometric priors. We incorporate these cues through Tri-field Attentional Conditioning, which constructs three complementary fields: (i) a targetness field to anchor the target object, (ii) an intra-target saliency field to emphasize task-relevant geometry within the target, and (iii) a backgroundness field to suppress distractors and clutter. Experiments on Adroit, DexArt, MetaWorld, and the real-world SO101 platform show consistent improvements over DP3, achieving state-of-the-art performance across benchmarks. Notably, as distractor objects increase, DP3 drops sharply, whereas Attention-DP3 remains stable and outperforms DP3 by up to 31\% under heavy clutter. The code is publicly available at https://github.com/zhangzhongbo2213/Attention-DP3.
• Abstract（参考訳）: 3Dポイントクラウドの観察は、対象物が部分的に隠されたり、視覚的に類似した妨害物と密に混ざり合ったりする複雑な操作シーンにおいて、本質的に曖昧である。 結果として、標準的な3D拡散ポリシーは、シーンの複雑さが増大するにつれて、タスク関連幾何学の局所化と活用に苦慮することが多い。 我々は,DP3拡散バックボーンを一定に保ちながら,注意を通してオブジェクトレベルの幾何学的手がかりを注入する空間的オブジェクト認識型3D拡散ポリシーである‘textbf{Attention-DP3} を提案する。 我々のパイプラインはRGB画像上でオープン語彙の2Dセグメンテーションを行い、キャリブレーションされたカメラ幾何学を用いて予測されたターゲットマスクを3Dに上げ、オブジェクト中心の幾何学的先行情報を得る。 3つの相補的なフィールドを構成するTri-field Attentional Conditioningを通じて、これらのキューを組み込む。 (i)ターゲットオブジェクトをアンカーするターゲットフィールド。 二 目標内の課題関連幾何学を強調する目標内衛生分野、及び (三)乱れや乱れを抑えるバックグラウンドフィールド。 Adroit、DexArt、MetaWorld、および現実世界のSO101プラットフォームに関する実験は、DP3よりも一貫した改善を示し、ベンチマーク全体で最先端のパフォーマンスを達成する。 特に、乱雑な物体の増加に伴い、DP3は急激に低下するが、Attention-DP3は安定であり、重い乱雑下でDP3を最大31\%上回っている。 コードはhttps://github.com/zhangzhongbo2213/Attention-DP3で公開されている。

関連論文リスト

• OneWorld: Taming Scene Generation with 3D Unified Representation Autoencoder [90.8453349494245]
  本研究では,コヒーレントな3次元表現空間内で直接拡散を行うOneWorldを提案する。 OneWorldは、最先端の2Dベースの方法と比較して、クロスビューの一貫性に優れた高品質な3Dシーンを生成する。
  論文  参考訳（メタデータ） (2026-03-17T03:43:37Z)
• VSRD++: Autolabeling for 3D Object Detection via Instance-Aware Volumetric Silhouette Rendering [18.77072205559739]
  VSRD++はモノクル3Dオブジェクト検出のための弱い教師付きフレームワークである。 3Dアノテーションへの依存を排除し、ニューラルフィールドベースのボリュームレンダリングを活用する。 モノクロ3Dオブジェクト検出フェーズでは、最適化された3Dバウンディングボックスが擬似ラベルとして機能する。
  論文  参考訳（メタデータ） (2025-12-01T01:28:35Z)
• GA3CE: Unconstrained 3D Gaze Estimation with Gaze-Aware 3D Context Encoding [5.908352631543411]
  本研究では,映像中の被写体と物体の空間的関係を学習する新しい3次元視線推定手法を提案する。 本手法は、被検者の眼球のクローズアップビューが利用できない場合など、制約のない設定を対象とする。
  論文  参考訳（メタデータ） (2025-05-15T19:24:15Z)
• NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized Device Coordinates Space [77.6067460464962]
  SSC(Monocular 3D Semantic Scene Completion)は、単一の画像から複雑なセマンティックスや幾何学的形状を予測し、3D入力を必要としないため、近年大きな注目を集めている。 我々は,3次元空間に投影された2次元特徴の特徴的曖昧さ,3次元畳み込みのPose Ambiguity,深さの異なる3次元畳み込みにおける不均衡など,現在の最先端手法におけるいくつかの重要な問題を明らかにする。 シーン補完ネットワーク(NDC-Scene)を考案し,2を直接拡張する。
  論文  参考訳（メタデータ） (2023-09-26T02:09:52Z)
• GPA-3D: Geometry-aware Prototype Alignment for Unsupervised Domain Adaptive 3D Object Detection from Point Clouds [19.1949602403668]
  既存の領域適応型3D検出法では,特徴空間における分布差の問題を適切に考慮していない。 本研究では, 点雲オブジェクトからの固有幾何学的関係を明示的に活用し, 特徴差を低減した, 教師なし領域適応型textbf3D 検出フレームワークを提案する。 nuScenes や KITTI など,様々なベンチマークで得られた評価結果は,GPA-3D の適応シナリオに対する最先端アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-16T04:15:21Z)
• 3DRP-Net: 3D Relative Position-aware Network for 3D Visual Grounding [58.924180772480504]
  3Dビジュアルグラウンドは、自由形式の言語記述によって、ターゲットオブジェクトを3Dポイントクラウドにローカライズすることを目的としている。 3次元相対位置認識ネットワーク(3-Net)という,関係性を考慮した一段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T09:33:25Z)
• OPA-3D: Occlusion-Aware Pixel-Wise Aggregation for Monocular 3D Object Detection [51.153003057515754]
  OPA-3Dは、Occlusion-Aware Pixel-Wise Aggregationネットワークである。 密集した風景深度と、奥行きのある箱残量と物の境界箱を共同で推定する。 メインカーのカテゴリーでは最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-02T14:19:13Z)
• FGR: Frustum-Aware Geometric Reasoning for Weakly Supervised 3D Vehicle Detection [81.79171905308827]
  3Dアノテーションを使わずに点雲中の車両を検出するためのフラストラム対応幾何推論(FGR)を提案する。 本手法は粗い3次元セグメンテーションと3次元バウンディングボックス推定の2段階からなる。 2Dバウンディングボックスとスパースポイントクラウドだけで、3D空間内のオブジェクトを正確に検出できます。
  論文  参考訳（メタデータ） (2021-05-17T07:29:55Z)

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。