論文の概要: DynamicHOI: Coupled Dynamics for Physics-aware HOI Reconstruction

• arxiv url: http://arxiv.org/abs/2609.36454v1
• Date: Tue, 29 Sep 2026 01:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.085811
• Title: DynamicHOI: Coupled Dynamics for Physics-aware HOI Reconstruction
• Title（参考訳）: DynamicHOI:物理を意識したHOI再構成のための結合ダイナミクス
• Abstract要約: モノクローナルなRGBビデオから手オブジェクトインタラクション(HOI)を再構築する。 既存の手法は主に視覚的および幾何学的な一致を強制し、基礎となる相互作用のダイナミクスは十分に制約されないままである。 本研究では,幾何接地拡散微細化と手オブジェクトの動的結合を組み合わせた物理認識型HOI再構成フレームワークであるDynamicHOIを提案する。
• 参考スコア（独自算出の注目度）: 10.805808169184468
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study hand-object interaction (HOI) reconstruction from monocular RGB videos, where partial observations can produce visually plausible yet mechanically inconsistent trajectories. Existing methods mainly enforce visual and geometric agreement, leaving the underlying interaction dynamics insufficiently constrained. We propose DynamicHOI, a physics-aware HOI reconstruction framework combining geometry-grounded diffusion refinement with coupled hand-object dynamics. Geometry spatially grounds visual evidence for trajectory refinement, while articulated inverse dynamics and Newton-Euler dynamics derive hand generalized forces and object wrenches for dynamics-level supervision. We further couple hand and object dynamics through contact-force transfer and recover active hand actuation as an interaction-level physical quantity. We formulate its empirical magnitude distribution into a probabilistic prior that penalizes unlikely actuation and suppresses mechanically implausible reconstructed motion. Experiments on three HOI datasets show consistent improvements in both hand and object reconstruction. The reconstructed trajectories further benefit downstream applications including hand world-model generation and robotic manipulation learning, demonstrating the value of physics-aware HOI modeling beyond reconstruction.
• Abstract（参考訳）: 単眼のRGBビデオから手オブジェクト間相互作用 (HOI) を再構成し, 部分的な観察により視覚的に可視であるが機械的に一貫性のない軌跡を生成できることを示した。 既存の手法は主に視覚的および幾何学的な一致を強制し、基礎となる相互作用のダイナミクスは十分に制約されないままである。 本研究では,幾何接地拡散微細化と手オブジェクトの動的結合を組み合わせた物理認識型HOI再構成フレームワークであるDynamicHOIを提案する。 幾何学は、軌跡改善の視覚的証拠を空間的に根拠としつつ、逆動力学とニュートン・オイラー力学は、力学レベルの監督のために手動一般化力と物体レンチを導出する。 さらに接触力伝達により手と物体のダイナミクスを結合し、相互作用レベルの物理量として能動手の動きを回復する。 我々は、その経験的大きさの分布を確率論的に定式化し、不可能なアクティベーションを罰し、機械的に不可能な再構成動作を抑制する。 3つのHOIデータセットの実験では、手とオブジェクトの再構築において一貫した改善が見られた。 再建された軌道は、手動世界モデル生成やロボット操作学習などの下流の応用にさらなる恩恵をもたらし、再構成以上の物理認識HOIモデリングの価値を実証した。

関連論文リスト

• Analytic Dynamics: Learning Physics-Grounded Representation for Fast Intrinsic Dynamics Inference from Monocular Videos [2.5608298830470013]
  視覚的観察から物体力学を推定することは、知的エージェントが物理的世界について推論し、相互作用することが不可欠である。 本稿では,中間物理基底の動的表現を導入したフィードフォワード動的推論フレームワークであるAnalytic Dynamicsを提案する。
  論文  参考訳（メタデータ） (2026-08-31T16:08:04Z)
• Self-Supervised Learning of Structured Dynamics from Videos [76.23834498074805]
  予め訓練した画像ビジョン変換器の凍結した特徴から、構造化された動き表現を復元できるかどうかを検討する。 本研究では、時間変化の主源を残留力学から明確に分離する構造ダイナミクスモデル(SDM)を提案する。 ProbeMotionのSDMは、カメラモーション、オブジェクトモーション、複合ダイナミクスを備えた合成ビデオと実ビデオにまたがる新しい評価スイートである。
  論文  参考訳（メタデータ） (2026-07-23T17:55:07Z)
• CausalGS: Learning Physical Causality of 3D Dynamic Scenes with Gaussian Representations [0.3580891736370874]
  CausalGSは、複雑なダイナミックな3Dシーンの因果ダイナミクスをマルチビュービデオから学習するフレームワークである。 我々の研究は、人間のアノテーションがなければ、モデルは複数の物理的性質の間の複雑な相互作用を学習できることを示している。
  論文  参考訳（メタデータ） (2026-05-11T13:59:01Z)
• PhysHanDI: Physics-Based Reconstruction of Hand-Deformable Object Interactions [38.846581448310275]
  PhysHanDIは、相互作用する手と非剛体オブジェクトの完全な3D再構築を可能にするフレームワークである。 我々のキーとなるアイデアは、密に再構成された3次元手の動きによって引き起こされる力によって引き起こされる物体の変形を物理的にシミュレートすることである。 実験では、PhysHanDIは再構築と将来の予測で最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-10T13:51:45Z)
• HSImul3R: Physics-in-the-Loop Reconstruction of Simulation-Ready Human-Scene Interactions [69.43316445143408]
  HSImul3Rはヒトとシーンの相互作用をシミュレーション可能な3次元再構成のための統合フレームワークである。 既存の手法は知覚とシミュレーションのギャップに悩まされており、物理エンジンの不安定性と、具体化されたAIアプリケーションの失敗につながっている。
  論文  参考訳（メタデータ） (2026-03-16T17:58:33Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• Physics-Grounded Motion Forecasting via Equation Discovery for Trajectory-Guided Image-to-Video Generation [54.42523027597904]
  物理グラウンド映像予測のためのシンボル回帰と軌跡誘導映像(I2V)モデルを統合する新しいフレームワークを提案する。 提案手法は,入力ビデオから運動軌跡を抽出し,検索に基づく事前学習機構を用いて記号回帰を向上し,運動方程式を発見し,物理的に正確な将来の軌跡を予測する。
  論文  参考訳（メタデータ） (2025-07-09T13:28:42Z)
• Hand-Object Interaction Controller (HOIC): Deep Reinforcement Learning for Reconstructing Interactions with Physics [12.443255379595278]
  我々は,1台のRGBDカメラによる手操作動作を,新しい深部強化学習法により再構成する。 本稿では,ネットワークトレーニングをより安定させるために,直接オブジェクト制御を確立するオブジェクト補償制御を提案する。 補償力とトルクを利用して、簡単な点接触モデルをより物理的に解明可能な面接触モデルにシームレスにアップグレードする。
  論文  参考訳（メタデータ） (2024-05-04T14:32:13Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physical Interaction: Reconstructing Hand-object Interactions with Physics [17.90852804328213]
  本稿では, 復元のあいまいさを解消する物理に基づく手法を提案する。 まず、手動物体の力に基づく動的モデルを提案し、これは観測されていない接触を回復し、また可塑性接触力の解法である。 実験により,提案手法は物理的に可塑性とより正確な手-物体相互作用の両方を再構成することを示した。
  論文  参考訳（メタデータ） (2022-09-22T07:41:31Z)

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。