論文の概要: VolCo: Volumetric Contact for High-Fidelity Human Grasp Generation

• arxiv url: http://arxiv.org/abs/2610.10197v1
• Date: Wed, 07 Oct 2026 14:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.981891
• Title: VolCo: Volumetric Contact for High-Fidelity Human Grasp Generation
• Title（参考訳）: VolCo:高忠実なヒトグラフ生成のためのボリュームコンタクト
• Abstract要約: 本稿では,表面点を3次元の体積格子に拡張するVolCoについて紹介する。 VolCoは、手の部分の正確な回復を可能にする3Dコンタクトをエンコードし、固有の階層で整理される。 提案手法を2つのベンチマークデータセット上で評価し, 浸透と安定性の最先端性能を示す。
• 参考スコア（独自算出の注目度）: 33.723820746612695
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate contact modeling is fundamental to understanding hand-object interaction, yet existing contact representations are typically restricted to object surfaces and rely on hand-crafted rules to recover contact details, leading to severe penetrations and implausible results. To better exploit the rich detail in motion-capture data, we introduce Volumetric Contact (VolCo), a representation that expands surface points to a set of 3D volumetric grids. VolCo encodes 3D contact that allows precise hand part recovery, and is organized in an inherent hierarchy: local contact details within each volume and global hand geometry across all volumes. Our framework, VolCoDiff, employs two modules to capture local and global features following this hierarchy. For local contact details, we use a 3D variational autoencoder to model the possible hand configurations conditioned on the local object signed distance field (SDF). For global hand geometry, we design a prior-guided diffusion model that learns the distribution of compressed latent features aggregated from the volumetric grids. We evaluate our method on two benchmark datasets and demonstrate state-of-the-art performance in penetration and stability, indicating the capability to generate tight grasps with much less severe penetrations. Our code is available at https://github.com/chzh9311/volco.
• Abstract（参考訳）: 正確な接触モデリングは、手と物体の相互作用を理解するのに基本的なものであるが、既存の接触表現は、通常、対象表面に限定され、接触の詳細を回復するために手作りの規則に頼っているため、深刻な浸透と不可解な結果をもたらす。 モーションキャプチャーデータの豊富な詳細をうまく活用するために,3次元の体積格子に曲面を拡大するVoltric Contact (VolCo)を導入する。 VolCoは手の部分の正確な復元を可能にする3Dコンタクトをエンコードし、各ボリューム内のローカルコンタクトの詳細と全ボリュームにわたるグローバルハンドジオメトリという、固有の階層で構成されている。 私たちのフレームワークであるVolCoDiffは、この階層に続くローカルとグローバルの機能を取得するために、2つのモジュールを使用しています。 局所接触の詳細については、3次元変分オートエンコーダを用いて、局所物体符号距離場(SDF)に条件付けされた手の構成をモデル化する。 本研究では,大域的手動幾何学において,体積格子から集約された圧縮潜在特徴の分布を学習する事前誘導拡散モデルの設計を行う。 提案手法を2つのベンチマークデータセット上で評価し, 浸透と安定性の最先端性能を示す。 私たちのコードはhttps://github.com/chzh9311/volco.comから入手可能です。

関連論文リスト

• CMHANet: A Cross-Modal Hybrid Attention Network for Point Cloud Registration [26.457061044468915]
  本稿では,クロスモーダルハイブリッドアテンションネットワークであるCMHANetを提案する。 本手法は2次元画像からのリッチな文脈情報の融合と3次元点雲の幾何学的詳細を融合する。 提案手法は,登録精度と総合ロバスト性の両方を大幅に向上し,現在の技術より優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-13T07:09:22Z)
• LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning [26.88556500272625]
  非符号距離場(UDF)に基づく新しい3次元変分オートエンコーダフレームワークを提案する。 私たちの中心となるイノベーションは、UDFを統一サブボリュームであるUBlockに分割することで処理する、ローカルからグローバルなアーキテクチャです。 再現精度と生成品質の両面での最先端性能を実証し,表面の滑らかさと幾何学的柔軟性を向上した。
  論文  参考訳（メタデータ） (2025-11-13T07:34:43Z)
• InteractVLM: 3D Interaction Reasoning from 2D Foundational Models [85.76211596755151]
  InactVLMは、人体と物体の3次元接触点を、ワン・イン・ザ・ワイルド画像から推定する新しい手法である。 既存の方法は、高価なモーションキャプチャシステムや面倒な手動ラベリングを通じて収集された3Dコンタクトアノテーションに依存している。 本稿では,人間の接触予測を対象のセマンティクス上で明示的に条件付けするセマンティック・ヒューマン・コンタクト推定というタスクを提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:33Z)
• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• RegionGrasp: A Novel Task for Contact Region Controllable Hand Grasp Generation [35.11194409871017]
  RegionGrasp-CVAEは3Dオブジェクトの可塑性ハンドグリップを生成するために提案されている。 コンディションエンコーダO-Encとプレトレーニング戦略O-Encを用いる。 Hoinetは手動オブジェクトのインタラクション機能をエンコードするために導入された。
  論文  参考訳（メタデータ） (2024-10-10T14:52:30Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• HOISDF: Constraining 3D Hand-Object Pose Estimation with Global Signed Distance Fields [96.04424738803667]
  HOISDFは手動ポーズ推定ネットワークである。 手とオブジェクトのSDFを利用して、完全な再構築ボリュームに対してグローバルで暗黙的な表現を提供する。 そこで, HOISDFは手動ポーズ推定ベンチマークにおいて, 最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-02-26T22:48:37Z)
• S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation with Semi-Supervised Learning [70.72037296392642]
  モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。 具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。 より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
  論文  参考訳（メタデータ） (2022-08-01T14:05:23Z)

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。