論文の概要: StereoEngine: Scaling Stereo Bimanual Robot Data without Stereo Cameras

• arxiv url: http://arxiv.org/abs/2610.12734v1
• Date: Thu, 08 Oct 2026 21:28:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.28521
• Title: StereoEngine: Scaling Stereo Bimanual Robot Data without Stereo Cameras
• Title（参考訳）: StereoEngine:ステレオカメラを使わずに、ステレオロボットデータをスケーリングする
• Abstract要約: 本稿では,ロボット操作のためのリアルな合成ステレオデータを生成するStereoEngineを提案する。 第一に、推定深度を用いてモノクロ映像を右のビューにワープし、非閉塞領域をビデオ拡散モデルで塗布し、実ステレオでトレーニングすることなくモノクロデモをステレオペアに持ち上げる。 第2に、ステレオペアをシミュレーションで描画し、両方のフォトリアリスティックビューを共同生成し、実際の映像を入力として使用せずに一貫した左データを生成する。
• 参考スコア（独自算出の注目度）: 3.1921574296387916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereo vision is increasingly used for robotic manipulation, with a growing body of work incorporating it into Vision-Language-Action (VLA) models. However, the scarcity of large-scale, real-world stereo datasets remains a fundamental bottleneck for scaling such policies. Recent generative monocular-to-stereo methods target settings such as VR content and autonomous driving. No prior work produces realistic synthetic stereo data for robotic manipulation, where stereo supervision has come predominantly from simulation. We propose StereoEngine, which introduces two complementary methods to synthesize stereo data for robotic manipulation. In the first, we warp a monocular (left) video into the right view using estimated depth and inpaint the disoccluded regions with a video diffusion model, lifting monocular demonstrations into stereo pairs without training on real stereo. In the second, we render a stereo pair in simulation and jointly generate both photorealistic views, producing consistent left-right data without any real video as input. StereoEngine outperforms existing baselines in generated stereo quality, and using its synthetic data for policy mid-training or task-specific fine-tuning substantially improves downstream bimanual manipulation. Project website: https://stereoengine.github.io
• Abstract（参考訳）: ステレオビジョンはロボット操作にますます使われており、Vision-Language-Action(VLA)モデルに組み込まれている。 しかし、大規模で現実世界のステレオデータセットの不足は、そのようなポリシーをスケールする上での根本的なボトルネックである。 最近の生成単分子ステレオ法は、VRコンテンツや自律運転などの設定をターゲットにしている。 ロボット操作のためのリアルなステレオデータを生成する先行研究はない。 本稿では,ロボット操作のためのステレオデータを合成する2つの相補的手法であるStereoEngineを提案する。 第一に、推定深度を用いてモノクロ(左)映像を右のビューにワープし、非閉塞領域をビデオ拡散モデルで塗布し、実ステレオを訓練せずにモノクロデモをステレオペアに持ち上げる。 第2に、ステレオペアをシミュレーションで描画し、両方のフォトリアリスティックビューを共同生成し、実際の映像を入力として使用せずに一貫した左データを生成する。 StereoEngineは、生成されたステレオ品質で既存のベースラインを上回り、その合成データを使ってポリシー中級トレーニングやタスク固有の微調整は、下流のバイマニュアル操作を大幅に改善する。 プロジェクトサイト: https://stereoengine.github.io

関連論文リスト

• ExStereo: Lifting 2D Vision-Language-Action Models to 3D with Explicit Stereo Representations [15.116936319059318]
  ExStereoは、事前訓練された2Dビジョン・ランゲージ・アクションモデルと3D知覚を付加するステレオモジュールである。 本研究では,大規模ステレオデータを用いた自己教師型学習目標を用いて,課題特定後学習の中間段階を導入する。 本稿では,2つの公開VLA,$_0.5$およびSmolVLAを微調整し,シミュレーションおよび実世界のPPERプラットフォーム上で評価する。
  論文  参考訳（メタデータ） (2026-10-03T23:21:18Z)
• Hear the World in Stereo: Learning Dynamic Spatial Correspondence for Immersive Joint Video-Audio Generation [54.145637770528744]
  本稿では,ステレオサウンド生成に視覚源の動きを結合するフレームワークであるStereoBindを提案する。 StereoBindは既存のモデルに比べてステレオオーディオ生成における空間的アライメントを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2026-09-30T01:32:46Z)
• StereoPolicy: Improving Robotic Manipulation Policies via Stereo Perception [30.791524912385924]
  StereoPolicyは、幾何学的推論を強化するために、同期ステレオ画像ペアを直接活用する、ビジュモータポリシー学習フレームワークである。 本結果は,ロボット操作のための3次元幾何学的理解と2次元事前学習表現を橋渡しする,スケーラブルでロバストなモダリティとしてステレオビジョンを裏付けるものである。
  論文  参考訳（メタデータ） (2026-05-11T05:06:12Z)
• StereoPilot: Learning Unified and Efficient Stereo Conversion via Generative Priors [41.34827274890319]
  ステレオビデオ変換のための大規模な統合データセットUniStereoを紹介する。 本稿では,対象の視点を直接合成する効率的なフィードフォワードモデルであるStereoPilotを提案する。 実験により、StereoPilotは視覚的忠実度と計算効率の両方において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-12-18T18:59:50Z)
• Elastic3D: Controllable Stereo Video Conversion with Guided Latent Decoding [62.69753250254731]
  Elastic3Dは、従来の映像を双眼鏡にアップグレードするための、制御可能な直接エンドツーエンドの方法である。 高品質のステレオビデオ出力の鍵は、ガイド付きVAEデコーダである。
  論文  参考訳（メタデータ） (2025-12-16T09:46:23Z)
• StereoWorld: Geometry-Aware Monocular-to-Stereo Video Generation [108.97993219426509]
  StereoWorldは、高忠実なモノクル・ツー・ステレオビデオ生成のためのエンドツーエンドフレームワークである。 我々のフレームワークは、幾何学的に認識された正規化で生成を明示的に監視しながら、単眼ビデオ入力のモデルを規定する。 大規模なトレーニングと評価を可能にするため,高精細度ステレオビデオデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-12-10T06:50:16Z)
• Mono2Stereo: A Benchmark and Empirical Study for Stereo Conversion [88.67015254278859]
  ステレオ変換の詳細な探索を支援するため,高品質なトレーニングデータとベンチマークを提供するMono2Stereoデータセットを紹介した。 1) 左右のビューの違いは微妙であるが、既存のメトリクスでは全体のピクセルを考慮し、ステレオ効果に批判的な領域に集中できない。 本稿では, ステレオ効果に関する人間の判断と高い相関性が得られる新しい評価指標, Stereo Intersection-over-Union を提案する。
  論文  参考訳（メタデータ） (2025-03-28T09:25:58Z)
• Stereo Anything: Unifying Zero-shot Stereo Matching with Large-Scale Mixed Data [77.27700893908012]
  ステレオマッチングは3次元視覚の基盤として機能し、深度回復のためのステレオ画像対間の画素ワイド対応を確立することを目的としている。 現在のモデルは、目に見えないドメインにデプロイすると、しばしば深刻なパフォーマンス劣化を示す。 データ中心のフレームワークであるStereoAnythingを導入し、既存のステレオモデルのゼロショット一般化能力を大幅に強化する。
  論文  参考訳（メタデータ） (2024-11-21T11:59:04Z)
• StereoVoxelNet: Real-Time Obstacle Detection Based on Occupancy Voxels from a Stereo Camera Using Deep Neural Networks [32.7826524859756]
  障害物検出は、ステレオマッチングが一般的な視覚ベースのアプローチであるロボットナビゲーションにおいて、安全に重要な問題である。 本稿では,ステレオ画像の占有率を直接検出するために,ディープニューラルネットワークを利用する計算効率のよい手法を提案する。 提案手法は,32mの範囲の障害物を正確に検出し,最新ステレオモデルの計算コストのわずか2%に留まらず,IoU (Intersection over Union) とCD (Chamfer Distance) のスコアが向上する。
  論文  参考訳（メタデータ） (2022-09-18T03:32:38Z)

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。