論文の概要: REDACT: Robust Perceptive Locomotion under Unseen Visual Corruption

• arxiv url: http://arxiv.org/abs/2609.25450v1
• Date: Mon, 21 Sep 2026 22:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.130231
• Title: REDACT: Robust Perceptive Locomotion under Unseen Visual Corruption
• Title（参考訳）: REDACT:見当たらない視覚破壊下でのロバストな知覚ロコモーション
• Abstract要約: 排除、無効なリターン、センサーノイズ、視覚障害は、デプロイメントの観察を名目上のシミュレートされた深さから遠ざけることができる。 本稿では、改良されたビジュアルエンコーダアーキテクチャ、永続的な特徴マスキングと、未モデル化の汚職下で有用な深度情報を保持するための新しいコンセンサスゲーティングアルゴリズムを組み合わせた教師学生向けフレームワークREDACTを提案する。
• 参考スコア（独自算出の注目度）: 0.9236074230806577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depth-conditioned locomotion policies have demonstrated impressive agile maneuvers, but can be steered to unpredictable actions when observations are outside their training distribution. Occlusion, invalid returns, sensor noise, and visual distractors can shift deployment observations away from nominal simulated depth. While synthetic sensor augmentation targets specified degradations, it does not by itself define behavior under corruption families omitted from training. To address gaps in training-time coverage, we present REDACT (Retaining Evidence Despite Artifacts for Continued Traversal), a teacher-student framework combining an improved visual encoder architecture, persistent feature masking, and a novel consensus-gating algorithm to retain useful depth information under unmodeled corruption. The gate uses approximate conformal calibration on clean observations alone, requiring no prior knowledge of the corruption type. Trained on clean simulated depth, REDACT retains useful visual information under unseen corruption, supporting higher traversal success than existing parkour baselines. Evaluation of depth augmentation across corruption families further shows that REDACT improves robustness where augmentation coverage is missing. Real-world trials demonstrate zero-shot transfer to structured and forested environments with unfamiliar scene content.
• Abstract（参考訳）: 深度条件のロコモーションポリシは、印象的なアジャイル操作を実証しているが、観察がトレーニング分布外にある場合、予測不可能な行動に対処することができる。 排除、無効なリターン、センサーノイズ、視覚障害は、デプロイメントの観察を名目上シミュレートされた深さから遠ざけることができる。 合成センサー増強は特定の劣化を目標としているが、それ自体はトレーニングから省略された汚職家族の行動を定義するものではない。 学習時間カバレッジのギャップに対処するために,改良されたビジュアルエンコーダアーキテクチャ,永続的特徴マスキング,および非モデル化された汚職下で有用な深度情報を保持するための新しいコンセンサスゲーティングアルゴリズムを組み合わせた教師学習フレームワークであるREDACT(Retaining Evidence Despite Artifacts for Continued Traversal)を提案する。 ゲートは、クリーンな観測のみに近似した等角的な校正を使用し、汚職タイプに関する事前の知識を必要としない。 REDACTは、きれいなシミュレートされた深度に基づいて訓練され、目に見えない汚職の下で有用な視覚情報を保持し、既存のパールベースラインよりも高いトラバースの成功をサポートする。 汚職家族間での深度増大の評価は、REDACTが増補範囲が欠落している場合の堅牢性を改善することを示している。 実世界の試行では、未知のシーン内容の構造化された森林環境へのゼロショット転送が実証されている。

関連論文リスト

• CAP: Continuously Adaptive Perception-Blind Humanoid Locomotion via Learned Denoising [13.919079287180368]
  単段型ヒューマノイドロコモーションポリシーであるCAPを提案する。 学習デノイザとして訓練された知覚的世界モデルエンコーダは、破損した入力からクリーンな深さを再構築する。 インセプションでは、深度が情報的であり続けるとCAPは知覚ベースラインと一致または改善し、知覚が悪化するにつれて二分スイッチングベースラインよりもスムーズに低下する。
  論文  参考訳（メタデータ） (2026-09-10T13:45:10Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• ESI-Bench: Towards Embodied Spatial Intelligence that Closes the Perception-Action Loop [55.468404995694975]
  我々は,OmniGibson上に構築された10のタスクカテゴリと29のサブカテゴリにまたがる空間知能の具体化ベンチマークを開発した。 我々は最先端のMLLMの実験を行い、活発な探索が受動的に優れていることを発見した。 矛盾した視点を求め、信念を改定する人間とは異なり、モデルは証拠の品質に関わらず、高い信頼をもって早々に行動する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:02Z)
• Agent-Centric Visual Reinforcement Learning under Dynamic Perturbations [24.021326345297535]
  静止しない現実世界の摂動をシミュレートするためのVisual Degraded Control Suite (VDCS)を導入する。 VDCS実験により,既存手法の大幅な性能劣化が確認された。 本稿では,ACO-MoE (Agen-Centric Observations with Mixture-of-Experts) を提案する。
  論文  参考訳（メタデータ） (2026-04-27T16:24:40Z)
• Cross-Modal Reinforcement Learning for Navigation with Degraded Depth Measurements [9.487836148196713]
  我々は、クロスモーダルな一貫性を強制することによって共有潜在表現を学習するクロスモーダルなワッサースタインオートエンコーダを導入する。 学習された表現は、非構造環境における衝突のないナビゲーションのための強化学習ベースのポリシーと統合される。
  論文  参考訳（メタデータ） (2026-03-23T16:45:03Z)
• Mechanistic Interpretability in the Presence of Architectural Obfuscation [0.0]
  アーキテクチャ難読化(Architectural obfuscation)は、プライバシ保存型大言語モデル(LLM)推論における重み付き暗号の軽量代用である。 我々は,代表的難読化マップを用いて,スクラッチから訓練したGPT-2小モデルを分析する。 その結果,難読化は注目ヘッド内のアクティベーションパターンを劇的に変化させるが,層幅の計算グラフは保存されることがわかった。
  論文  参考訳（メタデータ） (2025-06-22T14:39:16Z)
• Robust Anti-Backdoor Instruction Tuning in LVLMs [53.766434746801366]
  大規模視覚言語モデル(LVLM)のための軽量で認証に依存しない防御フレームワークについて紹介する。 私たちのフレームワークは、命令チューニングの下で、アダプタモジュールとテキスト埋め込み層のみを微調整します。 Flickr30kとMSCOCOに対する7つの攻撃に対する実験は、我々の攻撃の成功率をほぼゼロに低下させることを示した。
  論文  参考訳（メタデータ） (2025-06-04T01:23:35Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)

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。