論文の概要: 3DROID: A Renderable 3D Gaussian Dataset with Measured Per-Scene Reliability

• arxiv url: http://arxiv.org/abs/2610.01744v1
• Date: Thu, 01 Oct 2026 14:14:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.181013
• Title: 3DROID: A Renderable 3D Gaussian Dataset with Measured Per-Scene Reliability
• Title（参考訳）: 3DROID: シーンごとの信頼性を計測したレンダリング可能な3Dガウスデータセット
• Abstract要約: 3DGS表現は、主に測光忠実度のために設計されており、実世界の測光スケールを保存できない可能性がある。 本稿では,再現シーンをロボットのメートル法ワークスペースに固定するキャリブレーション対応パイプラインを提案する。 本稿では,ロボット操作研究のためのシーンレベルの信頼性情報を備えた,レンダリング可能な測位型データセットを提案する。
• 参考スコア（独自算出の注目度）: 32.4257215732565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot manipulation models primarily reason from 2D observations while acting in the 3D physical world. To bridge this gap, recent work has augmented robot data with geometric priors such as depth, point clouds, and 3D trajectories, while renderable 3D Gaussian representations provide another promising form of 3D supervision. However, 3DGS representation is designed mainly for photometric fidelity and may not preserve real-world metric scale, particularly when the supplied camera extrinsics are unreliable. We study the effect of extrinsic reliability and pose conditioning on feed-forward 3DGS, and propose a calibration-aware pipeline that anchors reconstructed scenes to the robot's metric workspace. Our experiments show that pose conditioning improves novel-view fidelity, while its geometric benefit depends on the reliability of the injected extrinsics. Using this pipeline, we present a renderable, metric-pose-anchored dataset with scene-level reliability information for robot manipulation research. Our dataset is available at https://huggingface.co/datasets/wonguen/3DROID
• Abstract（参考訳）: ロボット操作モデルは、主に3D物理世界で動作しながら2D観察から引き起こされる。 このギャップを埋めるために、最近の研究は、深度、点雲、および3次元軌跡などの幾何学的先行性を持つロボットデータを拡張し、レンダリング可能な3Dガウス表現は、もう1つの有望な3D監視形式を提供する。 しかし、3DGSの表現は、主に測光の忠実さのために設計されており、特に供給されたカメラ外在物が信頼できない場合、現実世界のメートル法スケールを保たない可能性がある。 本研究では,外因性信頼性とポーズ条件がフィードフォワード3DGSに及ぼす影響について検討し,再構成シーンをロボットのメートル法ワークスペースに固定するキャリブレーション対応パイプラインを提案する。 実験の結果,ポーズ条件付けは新規視点の忠実度を向上するが,幾何学的利点は射出外生学の信頼性に依存することがわかった。 このパイプラインを用いて,ロボット操作研究のためのシーンレベルの信頼性情報を備えた,レンダリング可能な測位型データセットを提案する。 私たちのデータセットはhttps://huggingface.co/datasets/wonguen/3DROIDで利用可能です。

関連論文リスト

• Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs [62.865932175477035]
  計量3Dオブジェクト検出は、エンボディエージェントのコア機能であるが、最も信頼性の高いシステムは深度センサーに頼っている。 提案するMap-Det3Dは,RGBから再構成した3次元空間に直接検出を行うオンラインマルチビュー3Dオブジェクト検出モデルである。
  論文  参考訳（メタデータ） (2026-08-12T15:33:42Z)
• Robo3R: Enhancing Robotic Manipulation with Accurate Feed-Forward 3D Reconstruction [70.06600045165905]
  3D空間認識は、一般的なロボット操作の基本であるが、信頼性が高く高品質な3D形状の取得は依然として困難である。 本稿では,RGB画像やロボットの状態から直接,正確な距離スケールのシーン形状をリアルタイムで予測する操作可能な3次元再構成モデルであるRobo3Rを紹介する。 我々は、ロボット操作のためのこの代替3Dセンシングモジュールの約束を示唆し、パフォーマンスの連続的な向上を観察する。
  論文  参考訳（メタデータ） (2026-02-10T18:58:15Z)
• Towards Scalable Spatial Intelligence via 2D-to-3D Data Lifting [64.64738535860351]
  単一ビュー画像を包括的・スケール的・外観リアルな3D表現に変換するスケーラブルなパイプラインを提案する。 本手法は,画像の膨大な保存と空間的シーン理解への需要の増大とのギャップを埋めるものである。 画像から精度の高い3Dデータを自動的に生成することにより,データ収集コストを大幅に削減し,空間知性を向上するための新たな道を開く。
  論文  参考訳（メタデータ） (2025-07-24T14:53:26Z)
• GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
  GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。 提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
  論文  参考訳（メタデータ） (2025-02-07T16:07:51Z)
• Lift3D Foundation Policy: Lifting 2D Large-Scale Pretrained Models for Robust 3D Robotic Manipulation [30.744137117668643]
  Lift3Dは、ロバストな3D操作ポリシーを構築するために、暗黙的で明示的な3Dロボット表現で2Dファンデーションモデルを強化するフレームワークである。 実験では、Lift3Dはいくつかのシミュレーションベンチマークや実世界のシナリオで、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-11-27T18:59:52Z)

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。