論文の概要: AffordCraft: Scalable Construction of Task-Ready Simulation Assets from Single Images

• arxiv url: http://arxiv.org/abs/2610.06643v1
• Date: Mon, 05 Oct 2026 16:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 00:00:37.514251
• Title: AffordCraft: Scalable Construction of Task-Ready Simulation Assets from Single Images
• Title（参考訳）: AffordCraft: 単一イメージからタスク-可読なシミュレーションアセットをスケーラブルに構築する
• Abstract要約: AffordCraftは、単一のRGBイメージと、生成ではなく検索によるタスク命令からオブジェクトを構築する。 オブジェクトと操作する部分を特定し、記述された資産のライブラリから一致するエントリを選択し、その部分と関節をそのままに保ちながらイメージに適合させる。 5つの生成方法は、同じ写真の少なくとも45%をパスし、中央値では有効資産あたり10～78倍のGPU時間が必要です。
• 参考スコア（独自算出の注目度）: 5.552286812978314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot learning in simulation depends on the objects the simulator offers. Many tasks need objects with separate parts, joints that allow the required motion, and physical properties that remain valid under contact. Existing methods recover this structure anew for every image: generative models predict parts and joints that mostly fail to settle or move in simulation, and general-purpose agents need a long session of model calls for each photograph. AffordCraft builds such an asset from a single RGB image and a task instruction by retrieval instead of generation: it locates the object and the part to operate, selects a matching entry from a library of articulated assets, and fits it to the image while keeping its parts and joints intact. Without any box or mask marking the object, AffordCraft produces a physically valid asset for 1,703 of 2,000 photographs from 31 categories. Five generative methods pass on at most 45% of the same photographs and, at the median, need 10 to 78 times our GPU time per valid asset. On 50 cluttered images, 162 of 237 annotated objects pass the same physical test after automatic detection. Growing the library from 141 to 11,372 entries needs no change to the method and raises category coverage from 46% to 100% and the share of selections with the requested label from 18% to 51%. We also build manipulation tasks from the constructed assets, both with single objects and in composed scenes; policies trained on scripted demonstrations complete both kinds of tasks from initial states unseen in training.
• Abstract（参考訳）: シミュレーションにおけるロボットの学習は、シミュレータが提供するオブジェクトに依存する。 多くのタスクには、別個の部品、必要な動きを許容する関節、接触下で有効な物理的特性を持つ物体が必要である。 生成モデルは、主にシミュレーションで落ち着かない部分や関節を予測し、汎用エージェントは、各写真に対するモデルコールの長いセッションを必要とします。 AffordCraftは、単一のRGBイメージからそのようなアセットを構築し、生成ではなく、検索によるタスク命令を生成する。オブジェクトと操作する部分を見つけ、整合したアセットのライブラリから一致するエントリを選択し、パーツとジョイントをそのままに保ちながらイメージに適合させる。 AffordCraftは31のカテゴリから2000枚の写真のうち1,703枚を物理的に有効な資産として生成している。 5つの生成方法は、同じ写真の少なくとも45%をパスし、中央値では有効資産あたり10～78倍のGPU時間が必要です。 50個のぼやけた画像では、237個の注釈付きオブジェクトのうち162個が自動検出後に同じ物理テストに合格する。 141から11,372のエントリにライブラリを成長させるには、メソッドを変更する必要はなく、カテゴリカバレッジを46%から100%に引き上げると同時に、要求されたラベルによる選択のシェアを18%から51%に引き上げる。 また、単一のオブジェクトと構成シーンの両方で構築されたアセットから操作タスクを構築します。

関連論文リスト

• φ-RIE: From Photorealistic Reconstruction to Interactive Environments [57.657253059351795]
  -RIEは、残りの復元を保ちながら、選択したオブジェクトを移動可能なシミュレータアセットに変換する。 シーン・オブザーバは、結合されたシーン・コンストラクションの証拠を共有した。 50のScanNet++シーンでは、エビデンスベースの選択と登録リトライが20mmのF1と、固定保持時の0.336から0.383に一致した。
  論文  参考訳（メタデータ） (2026-09-22T17:59:52Z)
• ObjectMate: A Recurrence Prior for Object Insertion and Subject-Driven Generation [33.91045409317844]
  本稿では,オブジェクト挿入と主観的生成の両方のためのチューニング不要な手法を提案する。 このタスクでは、複数のビューを与えられたオブジェクトを、画像またはテキストによって指定されたシーンにコンパイルする。 我々は,オブジェクト挿入と主観的生成の最先端手法と比較し,単一の参照や複数参照を用いて比較した。
  論文  参考訳（メタデータ） (2024-12-11T18:59:53Z)
• PickScan: Object discovery and reconstruction from handheld interactions [99.99566882133179]
  シーンの3次元表現を再構成する対話誘導型クラス依存型手法を開発した。 我々の主な貢献は、操作対象のインタラクションを検出し、操作対象のマスクを抽出する新しいアプローチである。 相互作用ベースとクラス非依存のベースラインであるCo-Fusionと比較すると、これはシャムファー距離の73%の減少に相当する。
  論文  参考訳（メタデータ） (2024-11-17T23:09:08Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• 6-DoF Pose Estimation of Household Objects for Robotic Manipulation: An Accessible Dataset and Benchmark [17.493403705281008]
  本稿では,ロボット操作研究を中心に,既知の物体の6-DoFポーズ推定のための新しいデータセットを提案する。 我々は、おもちゃの食料品の3Dスキャンされたテクスチャモデルと、難解で散らかったシーンにおけるオブジェクトのRGBD画像を提供する。 半自動RGBD-to-modelテクスチャ対応を用いて、画像は数ミリ以内の精度で実証された地上の真実のポーズで注釈付けされる。 また,ADD-Hと呼ばれる新しいポーズ評価尺度を提案し,対象形状の対称性に頑健なハンガリー代入アルゴリズムについて,その明示的な列挙を必要とせず提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:19:04Z)
• Learning to Detect Every Thing in an Open World [139.78830329914135]
  我々は、Learning to Detect Every Thing (LDET)と呼ぶ、シンプルながら驚くほど強力なデータ拡張とトレーニングスキームを提案する。 可視だがラベル付けされていない背景オブジェクトの隠蔽を避けるため、元の画像の小さな領域から採取した背景画像上に注釈付きオブジェクトを貼り付ける。 LDETは、オープンワールドのインスタンスセグメンテーションタスクにおいて、多くのデータセットに大きな改善をもたらす。
  論文  参考訳（メタデータ） (2021-12-03T03:56:06Z)
• TSDF++: A Multi-Object Formulation for Dynamic Object Tracking and Reconstruction [57.1209039399599]
  我々は,シーン全体とその中のすべてのオブジェクトに対して,単一のボリュームを維持できるマップ表現を提案する。 複数の動的オブジェクト追跡および再構成シナリオにおいて,本表現は,近接して移動する他のオブジェクトによって一時的にオクルードされても,表面の正確な再構成を維持できる。 提案したTSDF++の定式化を公開合成データセット上で評価し,標準のTSDFマップ表現と比較した場合の閉塞面の復元性を示す。
  論文  参考訳（メタデータ） (2021-05-16T16:15:05Z)
• Scene Graph Generation via Conditional Random Fields [14.282277071380447]
  画像中のオブジェクトのインスタンスとその対応する関係を予測するための新しいシーングラフ生成モデルを提案する。 我々のモデルであるSG-CRFは、関係3重項における対象と対象の逐次順序と、シーングラフにおけるオブジェクトノードインスタンスと関係ノードのセマンティック互換性を効率よく学習する。
  論文  参考訳（メタデータ） (2018-11-20T04:55:07Z)

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。