Fugu-MT 論文翻訳(概要): Deep Prior Learning for Embodied Perception

論文の概要: Deep Prior Learning for Embodied Perception

arxiv url: http://arxiv.org/abs/2610.05531v1
Date: Sun, 04 Oct 2026 20:53:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 13:18:39.398706
Title: Deep Prior Learning for Embodied Perception
Title（参考訳）: 身近な知覚のための深層学習
Abstract要約: エンボディードシステムは、画像以外にも利用可能な観測を活用できる幾何学的知覚を必要とする。最近のフィードフォワード3Dモデルには、カメラポーズ、内在、奥行きといった幾何学的先行要素が組み込まれている。本稿では,VGGTベースのフレームワークであるEmphVision-Prior Geometry Grounded Transformer (VPGGT)を紹介する。
参考スコア（独自算出の注目度）: 18.914771623046235
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Embodied systems need geometric perception that exploits available observations beyond images alone. Recent feed-forward 3D models incorporate geometric priors, including camera poses, intrinsics, and depth. However, handling noisy poses, preserving accurate priors, and recovering physical scale require more than simply accepting these inputs. We introduce \emph{Vision-Prior Geometry Grounded Transformer} (VPGGT), a VGGT-based framework that extends OmniVGGT for prior-aware embodied perception. We formulate sensor-motivated pose corruptions from ground-truth trajectories for training and introduce a parameter-free \emph{prior residual connection} (PRC) to mitigate \emph{prior dilution}, where predictions are less accurate than their supplied pose priors. Our noise formulation targets camera poses; supplied intrinsics and depth receive no additional corruption. We further introduce \emph{Metric Global Attention}, which conditions a global scale token on available pose and depth scales and predicts a shared metric scaling factor for the geometric outputs. Experiments across four datasets show that \emph{PRC} improves translation-direction accuracy and joint pose AUC over a matched training baseline when camera priors are provided for all views, under both exact and corrupted poses. These results support explicit prior access during refinement as a useful addition to feature-level conditioning.
Abstract（参考訳）: エンボディードシステムは、画像以外にも利用可能な観測を活用できる幾何学的知覚を必要とする。最近のフィードフォワード3Dモデルには、カメラポーズ、内在、奥行きといった幾何学的先行要素が組み込まれている。しかし、ノイズの多いポーズの処理、正確な事前保存、物理的スケールの回復には、これらの入力を単に受け入れる以上のものが必要である。本稿では,OmniVGGT を拡張した VGGT ベースのフレームワークである \emph{Vision-Prior Geometry Grounded Transformer} (VPGGT) を紹介する。提案手法では, センサ駆動型ポーズ・デポジトリをトレーニング用として, パラメータフリーな 'emph{prior residual connection} (PRC) を導入し, 予測精度が供給された'emph{prior dilution} を緩和する。ノイズの定式化はカメラのポーズを狙う。さらに、利用可能なポーズと深さのスケールにグローバルスケールトークンを条件付け、幾何学的出力に対する共有メトリックスケーリング係数を予測する「emph{Metric Global Attention}」についても紹介する。 4つのデータセットにわたる実験により、\emph{PRC} は、正確なポーズと破損したポーズの両方の下で、すべてのビューにカメラプリミティブが提供される場合、一致したトレーニングベースライン上での翻訳方向の精度と共同ポーズを改善することが示されている。これらの結果は、機能レベルの条件付けに有用な追加として、改善中の明示的な事前アクセスをサポートする。

関連論文リスト

VGM-VS: Rethinking Visual Geometry Model for High-Precision Visual Servoing [23.708112791422483]
本稿では,予め訓練されたフィードフォワード視覚幾何学モデルに基づく視覚サーボ手法であるVGM-VSを提案する。本稿では,3つの実世界の組立課題に対して,許容度を要求された上で評価する。 30Hzでリアルタイムに動作し、VGM-VSはケーブルタスクのサブミリメートルの終端精度に収束し、サーボ中に目標を移動したときに90-100%の成功率に達する。
論文参考訳（メタデータ） (2026-09-23T15:56:19Z)
Object Pose Transformer: Unifying Unseen Object Pose Estimation [54.20344997573707]
モデルなしのオブジェクトポーズ推定を未知のインスタンスで学習することは、3Dビジョンにおける根本的な課題である。我々のチームは、RGB入力から深度、ポイントマップ、カメラパラメータ、正規化されたオブジェクト座標を共同で予測します。当社はカメラ非依存で、カメラ固有の知識をオンザフライで学習し、メトリックスケールリカバリのためのオプションの深度入力をサポートします。
論文参考訳（メタデータ） (2026-03-24T16:04:16Z)
Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
論文参考訳（メタデータ） (2026-02-25T14:44:53Z)
Pose Prior Learner: Unsupervised Categorical Prior Learning for Pose Estimation [12.631034298090908]
前者は、システムに関する信念や仮定の集合を表します。本稿では,ポーズ推定における教師なしカテゴリー事前学習の課題を紹介する。本稿では,PPL (Pose Prior Learner) という新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-04T18:43:27Z)
KRONC: Keypoint-based Robust Camera Optimization for 3D Car Reconstruction [58.04846444985808]
KRONCは、オブジェクトに関する事前知識を活用して、セマンティックキーポイントを通してその表現を再構築することで、ビューポーズを推論する新しいアプローチである。車両シーンに焦点を当てたKRONCは、キーポイントのバックプロジェクションを特異点に収束させることを目的とした光最適化問題の解として、ビューの位置を推定することができる。
論文参考訳（メタデータ） (2024-09-09T08:08:05Z)
Ambiguity-Aware Multi-Object Pose Optimization for Visually-Assisted Robot Manipulation [17.440729138126162]
あいまいさを意識した6Dオブジェクトポーズ推定ネットワークPrimA6D++を汎用的不確実性予測手法として提案する。提案手法は,T-LESS と YCB-Video のデータセットの性能向上を示す。さらに,視覚支援ロボット操作のためのリアルタイムシーン認識機能を示す。
論文参考訳（メタデータ） (2022-11-02T08:57:20Z)
RBP-Pose: Residual Bounding Box Projection for Category-Level Pose Estimation [103.74918834553247]
カテゴリーレベルのオブジェクトポーズ推定は、既知のカテゴリの集合からの任意のオブジェクトの3次元メートル法サイズだけでなく、6次元のポーズを予測することを目的としている。近年の手法では, 観測された点雲を標準空間にマッピングし, 梅山アルゴリズムを用いてポーズとサイズを復元する手法が提案されている。本稿では,オブジェクトのポーズと残差ベクトルを共同で予測する,幾何学誘導型残差オブジェクト境界ボックス投影ネットワーク RBP-Pose を提案する。
論文参考訳（メタデータ） (2022-07-30T14:45:20Z)
SPEC: Seeing People in the Wild with an Estimated Camera [64.85791231401684]
1枚の画像から視点カメラを推定する最初の3DHPS方式であるSPECを紹介する。我々は、視野、カメラピッチ、入力画像のロールを推定するためにニューラルネットワークを訓練する。次に、カメラキャリブレーションを画像の特徴に合わせてロールする新しいネットワークをトレーニングし、これらを組み合わせて3Dのボディ形状とポーズを復元する。
論文参考訳（メタデータ） (2021-10-01T19:05:18Z)
Single View Metrology in the Wild [94.7005246862618]
本研究では,物体の3次元の高さや地上のカメラの高さで表現されるシーンの絶対的なスケールを再現する,単一ビューメロジに対する新しいアプローチを提案する。本手法は,被写体の高さなどの3Dエンティティによる未知のカメラとの相互作用から,弱い教師付き制約を抑えるために設計されたディープネットワークによって学習されたデータ駆動の先行情報に依存する。いくつかのデータセットと仮想オブジェクト挿入を含むアプリケーションに対して、最先端の定性的かつ定量的な結果を示す。
論文参考訳（メタデータ） (2020-07-18T22:31:33Z)
Camera Pose Matters: Improving Depth Prediction by Mitigating Pose Distribution Bias [12.354076490479516]
トレーニングと予測中にカメラのポーズを利用する2つの新しい手法を提案する。まず、より多様な視点で新しいトレーニング例を合成する、シンプルな視点対応データ拡張を提案する。次に,画像当たりのカメラポーズを先行知識として利用し,入力の一部として符号化する条件モデルを提案する。
論文参考訳（メタデータ） (2020-07-08T04:14:17Z)

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。