論文の概要: DRHeC: Differentiable Rendering for Hand-Eye Calibration with RGB-Based Gradients

• arxiv url: http://arxiv.org/abs/2609.36779v1
• Date: Tue, 29 Sep 2026 05:50:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.219892
• Title: DRHeC: Differentiable Rendering for Hand-Eye Calibration with RGB-Based Gradients
• Title（参考訳）: DRHeC: RGB-based Gradients を用いたハンドアイ校正のための微分レンダリング
• Abstract要約: 手目キャリブレーションの異なるレンダリング手法は、物理モデルを利用してバイナリマスクをレンダリングし、観察結果と比較している。 色とマスクの幾何学的特徴を取り入れることで、よりリッチな幾何学的および外観的手がかりを提供する新しいRGBベースの微分可能レンダリングフレームワークを提案する。 我々の手法はシミュレーションと実世界の実験の両方を通じて検証され、その結果は強い精度と堅牢性を示す。
• 参考スコア（独自算出の注目度）: 5.718405089961919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate hand-eye calibration is crucial for precision manipulation. Traditional methods rely on markers, with their precision dependent on marker accuracy and observability. In contrast, markerless methods, such as learning-based approaches, use deep neural networks to directly extract keypoints or features from images, enabling the computation of hand-eye transformation with a single image and without the need for physical markers. Recently, differentiable rendering-based methods for hand-eye calibration have leveraged physical models to render binary masks and compare them with observations, enabling hand-eye calibration without fiducial markers in the calibration stage and providing interpretable optimization. While the state-of-the-art differentiable rendering methods achieve remarkable accuracy, the use of binary masks can result in the loss of internal profile details, reducing precision. Additionally, these methods can also suffer from unstable optimization and local minima. In this study, we propose a novel RGB-based differentiable rendering framework that provides richer geometric and appearance cues by incorporating color and mask geometric features, thereby improving calibration accuracy and optimization stability. Additionally, we propose a mask-guided image-to-image translation method to ensure explicit preservation of color and geometric consistency throughout the translation. Our approach is validated through both simulation and real-world experiments, with results demonstrating strong accuracy and robustness and clear improvements over existing differentiable rendering methods. Our method achieves a grasping success rate of 88.9% and insertion success rate of 57.4% on the UR5e real-world experiment, outperforming the state-of-the-art differentiable rendering hand-eye calibration method EasyHeC by 46.3 and 48.1 percentage points, respectively.
• Abstract（参考訳）: 正確な眼の校正は、精密な操作には不可欠である。 従来の手法はマーカーに依存し、精度はマーカーの精度と可観測性に依存する。 対照的に、学習ベースのアプローチのようなマーカーレス手法では、ディープニューラルネットワークを使用して画像からキーポイントや特徴を直接抽出し、物理的なマーカーを必要とせず、単一のイメージで手目変換の計算を可能にする。 近年,手目キャリブレーションの微分可能な手法は,2値マスクをレンダリングし,観測結果と比較するために物理モデルを活用し,キャリブレーション段階ではフィデューシャルマーカーを使わずに手目キャリブレーションが可能となり,解釈可能な最適化が実現されている。 最先端の微分可能なレンダリング手法は驚くほど精度が高いが、バイナリマスクを使用することで内部プロファイルの詳細が失われ、精度が低下する可能性がある。 さらに、これらの手法は不安定な最適化と局所的なミニマに悩まされることもある。 本研究では,色とマスクの幾何学的特徴を取り入れ,よりリッチな幾何学的および外観的手がかりを提供するRGBベースの微分可能レンダリングフレームワークを提案し,キャリブレーション精度と最適化安定性を向上させる。 さらに,色と幾何的整合性を明確に保たせるためのマスク誘導画像画像変換手法を提案する。 提案手法はシミュレーションと実世界の実験の両方を通じて検証され、その結果、既存の微分可能レンダリング法よりも強い精度と堅牢性、明確な改善が示された。 本手法はUR5e実世界の実験で88.9%,挿入成功率57.4%の把握成功率を達成し,現状の微分可能な手目検眼法EasyHeCを46.3,48.1ポイント上回った。

関連論文リスト

• Kalib: Easy Hand-Eye Calibration with Reference Point Tracking [52.4190876409222]
  カリブ (Kalib) は、視覚基礎モデルの一般化性を利用して課題を克服する手眼自動校正法である。 校正中は、ロボットの後ろの空間内のカメラ座標3D座標に運動基準点を追跡する。 Kalibのユーザフレンドリな設計と最小限のセットアップ要件により、非構造化環境での継続的操作のソリューションとなり得る。
  論文  参考訳（メタデータ） (2024-08-20T06:03:40Z)
• EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration [49.90228618894857]
  我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。 我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。 本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-02T03:49:54Z)
• Precise localization of corneal reflections in eye images using deep learning trained on synthetic data [9.150553995510217]
  眼球画像中の1つの角膜反射(CR)の中心を正確に位置決めする深層学習法を提案する。 我々は、シミュレーションデータのみを用いてトレーニングされた畳み込みニューラルネットワーク(CNN)を使用している。 提案手法はCR中心位置決めの高精度な手法を提供し,データ可用性問題に対する解決策を提供する。
  論文  参考訳（メタデータ） (2023-04-12T07:49:21Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Learning-Based Framework for Camera Calibration with Distortion Correction and High Precision Feature Detection [14.297068346634351]
  本稿では,これらのボトルネックに対処する従来の手法と学習に基づくアプローチを組み合わせたハイブリッドカメラキャリブレーションフレームワークを提案する。 特に、このフレームワークは学習に基づくアプローチを利用して、効率的な歪み補正とロバストなチェス盤角座標符号化を行う。 広範に使われている2つのカメラキャリブレーションツールボックスと比較して、実データと合成データの両方の実験結果は、提案フレームワークのより良い堅牢性と高い精度を示す。
  論文  参考訳（メタデータ） (2022-02-01T00:19:18Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)

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。