論文の概要: DAWN: Noise-Robust Quadruped Parkour via Depth-Denoising World Models
- arxiv url: http://arxiv.org/abs/2609.29092v1
- Date: Thu, 24 Sep 2026 06:20:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.748641
- Title: DAWN: Noise-Robust Quadruped Parkour via Depth-Denoising World Models
- Title（参考訳）: DAWN:depth-denoising World Modelsによるノイズローバスト四輪パーク
- Abstract要約: 視覚に基づく足の移動法は、トレーニング時に清潔な深度を仮定する。
奥行きノイズが未調整のまま残されている場合、性能は著しく低下する。
そこで本研究では,足歩行のためのノイズロスト認識フレームワークであるDAWNを提案する。
- 参考スコア（独自算出の注目度）: 6.275913506703694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-based legged locomotion methods assume clean depth at training time and rely on hand-tuned post-processing filters at deployment. However, filter parameters are rarely disclosed, hindering reproducibility, and performance degrades substantially when depth noise is left unaddressed. Building noise robustness directly into the learning pipeline would eliminate this dependency. While such robustness has been explored for proprioceptive inputs, analogous approaches for depth perception remain largely absent in legged locomotion. We propose DAWN (Denoising and Alignment in World models for Noise-robustness), a noise-robust perception framework for legged locomotion, which builds noise robustness directly into a world model via two modifications: (1) feeding noisy depth to the encoder while keeping clean depth as the reconstruction target, forcing the model to implicitly denoise its input; and (2) applying contrastive learning to align the latent states of noisy and clean depth. Importantly, DAWN is not tied to a specific noise model, requiring no manual tuning to the noise distribution at deployment. Furthermore, it incurs no additional inference cost over existing world model-based methods. Without any manual filter calibration -- relying solely on the learned noise-robust representation -- DAWN achieves zero-shot quadruped parkour on a Unitree Go1: traversing stairs up to 18 cm, clearing gaps up to 70 cm, and mounting steps up to 45 cm from raw depth observations. Ablation studies show that denoising and contrastive alignment contribute at complementary levels -- reconstruction and representation, respectively -- and yield additive gains when combined. Videos and code are available at: https://dawn-parkour.github.io/
- Abstract（参考訳）: 視覚ベースの脚移動法は、トレーニング時にきれいに深度を仮定し、手動で調整された後処理フィルタをデプロイ時に頼っている。
しかし、フィルタパラメータが開示されることは稀であり、再現性を阻害し、奥行きノイズを未調整のまま残すと性能が著しく低下する。
学習パイプラインに直接ノイズの堅牢性を構築することは、この依存関係を排除します。
このようなロバスト性は、主観的入力のために研究されているが、深度知覚に対する類似のアプローチは、足の移動においてほとんど欠落している。
そこで,本研究では, DAWN (Denoising and Alignment in World model for Noise-robustness) について提案する。ノイズロバスト認識フレームワークは, 1) エンコーダにノイズ深度を供給し, クリーン深度を保ちながら, モデルに暗黙的にノイズ深度を認知させ, 2) ノイズ深度とクリーン深度を協調させるコントラスト学習を適用した。
重要なことに、DAWNは特定のノイズモデルに縛られず、デプロイメント時のノイズ分布に手動でチューニングする必要がなくなる。
さらに、既存の世界モデルベースの手法に対して追加の推論コストは発生しない。
DAWNは、学習したノイズ・ロバスト表現にのみ依存する手動のフィルターキャリブレーションなしで、ユニツリーGo1でゼロショット4倍の駐車を達成している。
アブレーション研究は、デノイングとコントラッシブアライメントが相補的なレベル(それぞれ再構成と表現)に寄与し、組み合わせると加算利得が得られることを示した。
ビデオとコードは、https://dawn-parkour.github.io/で公開されている。
関連論文リスト
- ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising [1.539942973115038]
低用量CTでは深層学習に基づく denoising が広く採用されている。
従来のモデルでは非定常的かつ空間的に相関したCTノイズ特性を考慮できない。
本稿では,効率的なノイズ認識表現フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T00:57:39Z) - RIDGE: Re-Noising with Internal Dynamic Guidance for Image Editing [11.37302017486576]
インバージョンフリーなフローベース画像編集は遅延インバージョンを回避するが、編集ステップ毎にターゲット側状態が必要である。
Ridgeは、非利用可能なクリーンターゲット状態に対する進化的な近似として、編集された状態を維持する、インバージョンフリーでトレーニング不要な方法である。
2つのバックボーン(SD3 MediumとFLUX.1-dev)を使用した2つのベンチマークの実験では、RIDGEがソース保存、ターゲットアライメント、知覚品質のトレードオフを好適に提供していることが示されている。
論文 参考訳（メタデータ） (2026-08-04T03:20:09Z) - DenoiseGS: Gaussian Reconstruction Model for Burst Denoising [29.507111067242118]
バースト復調のための3次元ガウススプラッティングの効率性を活用した最初のフレームワークであるDenoiseGSを提案する。
提案手法は,雑音入力にフィードフォワードガウス再構成モデルを適用する際の2つの重要な課題に対処する。
実験により、DenoiseGSはバーストデノイングと新規ビュー合成の両方において最先端のNeRFベースの手法をはるかに上回っていることが示された。
論文 参考訳（メタデータ） (2025-11-28T07:29:54Z) - U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching [87.76453413654922]
我々は、一貫性を意識したノイズ2ノイズマッチングを用いて、ポイントクラウドをデノナイズするための教師なしフレームワークであるU-CANを紹介する。
具体的には、ニューラルネットワークを利用して、ノイズとノイズのマッチング方式で、形状やシーンの各点について、多段階のノイズ伝達経路を推測する。
整合性を考慮したデノナイズパターンの学習のための,デノナイズド幾何整合性に関する新しい制約を導入する。
論文 参考訳（メタデータ） (2025-10-29T06:20:21Z) - SAVeD: Learning to Denoise Low-SNR Video for Improved Downstream Performance [13.822183572026802]
低信号対雑音比ビデオはコンピュータビジョンモデルに重大な課題をもたらす。
下流作業用ビデオ(SAVeD)における時空間増強とデノナイジングについて述べる。
SAVeDは、生ノイズデータのみを用いて低SNRセンサ映像をノイズ化する、新しい自己教師方式である。
論文 参考訳（メタデータ） (2025-03-31T19:14:48Z) - Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-26T17:40:30Z) - Learning Task-Oriented Flows to Mutually Guide Feature Alignment in
Synthesized and Real Video Denoising [137.5080784570804]
Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。
既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。
本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
論文 参考訳（メタデータ） (2022-08-25T00:09:18Z) - Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。
本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。
DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
論文 参考訳（メタデータ） (2022-01-12T10:23:14Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Non-Local Part-Aware Point Cloud Denoising [55.50360085086123]
本稿では,点群を識別する非局所部分認識ディープニューラルネットワークを提案する。
グラフアテンションモジュールでカスタマイズした非局所学習ユニット(NLU)を設計し、非局所意味論的特徴を適応的にキャプチャする。
雑音発生性能を向上させるため,ノイズ特性をノイズ入力から段階的に抽出するために,一連のNLUをカスケードする。
論文 参考訳（メタデータ） (2020-03-14T13:51:50Z)
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。