論文の概要: FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations

• arxiv url: http://arxiv.org/abs/2609.20817v1
• Date: Thu, 17 Sep 2026 17:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.42991
• Title: FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations
• Title（参考訳）: FAMOS:スパース観測によるフィードフォワード3次元調音モデリング
• Abstract要約: FAMOSはフィードフォワードモデルであり、部分点雲のスパースで非秩序な集合から可動部分のセグメンテーションと関節パラメータを予測する。 そこで我々は,多状態調音変換器を導入する。 PartNet-Mobility、ACD、ArtiCraft-10Kの実験では、フィードフォワードと最適化ベースラインの両方に対して一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 30.498209688972313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling articulated objects from sparse monocular views is challenging because each observation reveals only partial geometry and motion evidence. Most feed-forward methods infer articulation from a single observation and therefore rely heavily on learned category-level shape priors. We present FAMOS, a feed-forward model that predicts movable-part segmentation and joint parameters from a sparse, unordered set of partial point clouds. Our model jointly reasons over multiple observations and naturally supports a variable number of inputs, including a single view. To aggregate articulation cues across observations, we introduce a Multi-state Articulation Transformer with alternating state-wise and global attention. We further propose an observed articulation span objective that supervises the motion range each part exhibits across the input observations, encouraging the model to leverage the full observation set. To overcome the limited scale and diversity of existing datasets, we introduce a procedural data generator that synthesizes self-annotated assets during training. Experiments on PartNet-Mobility, ACD, and ArtiCraft-10K demonstrate consistent improvements over both feed-forward and optimization-based baselines. Project page: https://kevinqu7.github.io/famos
• Abstract（参考訳）: 各観測は部分的な幾何学と運動の証拠しか示さないため、粗い単分子ビューから調音された物体をモデル化することは困難である。 ほとんどのフィードフォワード法は単一の観察から調音を推測するので、学習されたカテゴリレベルの形状に大きく依存する。 FAMOS, フィードフォワードモデルを用いて, 部分点雲のスパース集合から可動部セグメンテーションとジョイントパラメータを予測する。 本モデルでは,複数の観測値に対して協調的に原因を定め,単一ビューを含む様々な入力を自然にサポートしている。 そこで我々は,多状態調音変換器を導入し,多状態調音変換方式を提案する。 さらに,各部が提示する動作範囲を観察し,全観測セットを活用するようモデルに促す観測音節範囲の目的について提案する。 既存のデータセットの規模や多様性の制限を克服するために、トレーニング中に自己アノテートした資産を合成する手続き型データ生成装置を導入する。 PartNet-Mobility、ACD、ArtiCraft-10Kの実験では、フィードフォワードと最適化ベースラインの両方に対して一貫した改善が示されている。 プロジェクトページ: https://kevinqu7.github.io/famos

関連論文リスト

• SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation [54.98864436812187]
  本稿では,1つのRGB-D観測から標準幾何,剛部分セグメンテーション,関節ピボット,軸,調音状態を推定する自己教師型フレームワークを提案する。 合成および実調音オブジェクトデータセットの実験により、SCAPOは、一貫した部分構造と正確な調音パラメータを復元し、全ての自監督ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T09:04:49Z)
• PyViT-FUSE: A Foundation Model for Multi-Sensor Earth Observation Data [0.2209921757303168]
  マルチモーダル画像を扱うために設計された地球観測データの基礎モデルであるPyViT-FUSEを提案する。 我々は,SwaVアルゴリズムのコア概念を活かして,グローバルなサンプルデータセット上で自己教師付きでモデルをトレーニングする。 下流タスクに対する注意点とモデルの適用性を可視化することにより,融合機構の解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-04-26T02:34:33Z)
• Articulate your NeRF: Unsupervised articulated object modeling via conditional view synthesis [24.007950839144918]
  そこで本稿では,頑健な部分を持つ明瞭な物体のポーズと部分分割を学習するための教師なしの手法を提案する。 本手法は,最初の観測から暗黙のモデルを用いて物体の形状と外観を学習する。
  論文  参考訳（メタデータ） (2024-06-24T13:13:31Z)
• Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
  本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。 提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。 パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-12-18T18:59:51Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Segmenting Moving Objects via an Object-Centric Layered Representation [100.26138772664811]
  深層表現を用いたオブジェクト中心セグメンテーションモデルを提案する。 複数のオブジェクトで合成トレーニングデータを生成するスケーラブルなパイプラインを導入する。 標準的なビデオセグメンテーションベンチマークでモデルを評価する。
  論文  参考訳（メタデータ） (2022-07-05T17:59:43Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)

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。