論文の概要: SurgCast: Action-Conditioned Future Skeletons for Controllable Surgical World Models
- arxiv url: http://arxiv.org/abs/2610.15645v1
- Date: Sun, 11 Oct 2026 14:21:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 17:28:01.539569
- Title: SurgCast: Action-Conditioned Future Skeletons for Controllable Surgical World Models
- Title（参考訳）: SurgCast: 制御可能な手術世界モデルのためのアクションコンディション型未来の骨格
- Abstract要約: SurgCastは、現在の構造、ロボットの状態、将来の動作から将来の計器骨格を予測する。
SutureBotとSRTH-Porcine-Choleiでは、教師と学生は報告された7つの品質と楽器の一貫性の指標を改善している。
手術映像予測のための制御インタフェースとして, 予測音声構造とその動作意味を用いた結果支援
- 参考スコア（独自算出の注目度）: 14.877014751147138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surgical world models must turn prospective robot actions into visually faithful, structurally consistent instrument motion. We introduce SurgCast, which predicts future instrument skeletons from current structure, robot state, and future actions, then uses the forecast to control video generation. Dual-path injection combines skeleton geometry with derived, instrument-specific motion descriptors through geometric residuals and conditioning modulation. Both paths complement native action conditioning and are retained in a four-step causal student. On SutureBot and SRTH-Porcine-Cholei, the teacher and student improve all seven reported quality and instrument-consistency metrics over their respective direct-action baselines; teacher FVD decreases by 37.6% and 67.3%. Ablations show that future actions improve skeleton prediction and that combining both injection paths performs best across all six metrics under predicted skeletons. These results support using predicted articulated structure and its motion semantics as a control interface for surgical video prediction. Project videos and examples are available at https://surgcast.netlify.app/.
- Abstract（参考訳）: 手術の世界モデルは、将来のロボットの動きを視覚的に忠実で構造的に一貫した機器の動きに変える必要がある。
SurgCastは、現在の構造、ロボットの状態、将来の動作から将来の計器骨格を予測し、その予測を用いて映像生成を制御する。
デュアルパスインジェクションは、幾何学的残差と条件づけ変調を通じて、骨格形状と導出した楽器固有の運動記述子を結合する。
どちらの経路もネイティブ・アクション・コンディショニングを補完し、4段階の因果学生に留置される。
SutureBotとSRTH-Porcine-Choleiでは、教師と学生は、それぞれのダイレクトアクションベースラインに対して報告された品質と楽器の一貫性の指標を改善している。
アブレーションは、将来の行動が骨格の予測を改善することを示し、両方の注入経路の組み合わせが予測された骨格の6つの指標全てで最高の性能を発揮することを示している。
これらの結果は, 手術映像予測のための制御インタフェースとして, 予測音声構造とその動作意味論を用いて支援される。
プロジェクトビデオとサンプルはhttps://surgcast.netlify.app/.com/で公開されている。
関連論文リスト
- SkeleWAM: Skeleton World-Action Modeling for Efficient Robotic Manipulation [32.244260826530244]
世界行動モデル(WAM)は、ロボットアクション生成と将来の状態予測を組み合わせる。
我々は,ロボット関節,物体中心,相互作用点からなるスパース3Dスケルトンとして操作シーンを表すコンパクトなWAMであるSkeleWAMを紹介する。
論文 参考訳（メタデータ） (2026-10-01T17:35:10Z) - FutureDuet: Decoupling Observation Access from Future Supervision in World Action Models [17.521920330076366]
我々はFutureDuetを導入し、両ビューを制御し、各ビジュアルストリームが異なる未来目標を受信できるようにする。
メインビューでは、将来のRGBモデルはタスクの進化をモデル化し、インタラクションマスクとロボットスケルトンはタスクオブジェクトとロボットの動きを監督する。
手首ストリームでは、将来の潜伏予測は画素レベルの再構成を必要とせず、短水平相互作用の変化をモデル化する。
論文 参考訳（メタデータ） (2026-09-28T05:39:09Z) - Towards Surgical World-Action Modeling: A Preliminary Joint Visual-Trajectory Forecasting for Surgical Motion Planning [37.17021354294023]
本稿では, 将来の視覚状態を同時に予測し, 歴史的外科的観察からトラジェクトリを計測する, 共同視覚軌道世界行動モデルを提案する。
より長い予測地平線上での進行的な視覚劣化と累積軌道誤差を観察する。
論文 参考訳（メタデータ） (2026-08-20T17:18:02Z) - DECOWAM: Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation [9.154987050049268]
DeCOWAMは、カメラのエゴモーションをベースアクションとアームアクションとを分離する全身世界アクションモデルである。
固定されたリプレイプロトコルでは、DECWAMはFastWAM上での将来のビデオとアクションの予測を改善し、25.95Mのトレーニング可能な適応パラメータでアクションMSEを21.7%削減した。
これらの結果から,運動視点下でのパラメータ効率のよい共同視覚予測と全身制御を支援することが示唆された。
論文 参考訳（メタデータ） (2026-08-20T14:44:11Z) - GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。
実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
論文 参考訳（メタデータ） (2026-03-18T00:52:02Z) - Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。
PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。
ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
論文 参考訳（メタデータ） (2025-08-13T13:54:51Z) - Future Frame Prediction for Robot-assisted Surgery [57.18185972461453]
本稿では,ロボット手術用ビデオシーケンスにおけるフレーム予測のためのtpg-vaeモデルを提案する。
コンテンツ配信に加えて、私たちのモデルは、手術ツールの小さな動きを処理するために斬新な運動分布を学習します。
論文 参考訳（メタデータ） (2021-03-18T15:12:06Z)
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。