論文の概要: DeTac: Dual-branch Decoupling of Texture and Force Signals in Vision-Based Tactile Sensors

• arxiv url: http://arxiv.org/abs/2610.16463v1
• Date: Mon, 12 Oct 2026 09:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:06:01.837879
• Title: DeTac: Dual-branch Decoupling of Texture and Force Signals in Vision-Based Tactile Sensors
• Title（参考訳）: DeTac:視覚系触覚センサにおけるテクスチャと力信号の二重分岐分離
• Abstract要約: 視覚に基づく触覚センサーは、繊細なロボット操作のためのきめ細かな知覚を可能にする。 現在のマーカーベースの設計では、単一の観測で表面テクスチャと接触力信号が密結合している。 DeTacは、単一混合触覚画像からクリーンシェーディングとマーカーイメージを同時に抽出する、新しいデュアルブランチ生成フレームワークである。
• 参考スコア（独自算出の注目度）: 55.35614276739784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based tactile sensors enable fine-grained perception for dexterous robotic manipulation, but current marker-based designs tightly couple surface texture and contact force signals within a single observation. Existing data-driven decoupling methods rely on serial mask-based inpainting, which suffers from mask-sizing dilemmas caused by physical indentation effects, error retention, and lack of real paired data for supervision. To address these challenges, we propose DeTac, a novel dual-branch generative framework that concurrently extracts clean shading and marker images from a single mixed tactile image. DeTac leverages full-image synthesis to naturally bypass mask dependency and introduces a cross-branch synergistic optimization that enables mutual supervision, effectively preventing error retention. Furthermore, we construct a strictly aligned, real-world paired tactile dataset using custom hardware to provide high-quality supervision. Extensive experiments demonstrate that DeTac achieves state-of-the-art decoupling accuracy, significantly facilitating downstream surface reconstruction and force estimation tasks while exhibiting cross-sensor generalization.
• Abstract（参考訳）: 視覚ベースの触覚センサーは、繊細なロボット操作の微妙な認識を可能にするが、現在のマーカーベースの設計は、単一の観察で表面テクスチャと接触力信号とを密に結合している。 既存のデータ駆動デカップリング法は、物理的インデンテーション効果、エラー保持、および監督のための実際のペアデータの欠如によって引き起こされるマスクサイズのジレンマに悩まされる連続マスクベースの塗装に依存している。 これらの課題に対処するために,1つの混合触覚画像からクリーンシェーディングとマーカーイメージを同時に抽出する新しいデュアルブランチ生成フレームワークであるDeTacを提案する。 DeTacは、完全な画像合成を利用してマスク依存を自然にバイパスし、相互監督を可能にし、エラー保持を効果的に防止するクロスブランチの相乗効果の最適化を導入する。 さらに、カスタムハードウェアを用いて、厳密に整合した実世界の触覚データセットを構築し、高品質な監視を行う。 広汎な実験により、DeTacは最先端のデカップリング精度を達成し、下流面の再構築と力推定を著しく促進し、クロスセンサーの一般化を示す。

関連論文リスト

• AdaDexGrasp: Adaptive Dexterous Grasping via 3D Visuo-Tactile Representation Fusion [60.79507611737292]
  人間は視覚知覚と触覚フィードバックをシームレスに統合することで、安定的で適応的な把握を実現する。 既存のロボットグルーピングアプローチは、視覚入力と接触後の触覚誘導適応機構の欠如に依存している。 本稿では, 把握生成, 実現可能性予測, 適応的改善を統合した統合型ビジュオタクティル・フュージョン・グリーティング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-06T16:29:11Z)
• SRSR: Enhancing Semantic Accuracy in Real-World Image Super-Resolution with Spatially Re-Focused Text-Conditioning [59.013863248600046]
  本稿では,空間的に再焦点を絞ったテキストコンディショニングを推論時に洗練する超解像フレームワークを提案する。 第二に,非接地画素に対するテキストの影響を選択的に回避し,幻覚を防ぐ空間的自由誘導機構を導入する。
  論文  参考訳（メタデータ） (2025-10-26T05:03:55Z)
• Double Helix Diffusion for Cross-Domain Anomaly Image Generation [47.093354259479234]
  本稿ではDH-Diff(Double Helix Diffusion)について紹介する。DH-Diffは高忠実度異常画像と画素レベルのアノテーションマスクを同時に合成する新しいクロスドメイン生成フレームワークである。 DH-Diffは二重ヘリックスにインスパイアされたユニークなアーキテクチャを採用し、特徴分離、接続、マージのために異なるモジュールをサイクリングする。 大規模な実験により、DH-Diffは多様性と信頼性において最先端の手法を著しく上回り、下流異常検出性能は大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-16T08:06:07Z)
• ControlTac: Force- and Position-Controlled Tactile Data Augmentation with a Single Reference Image [24.223013595239916]
  ControlTacは、単一の参照触覚画像、接触力、接触位置に条件付けされたリアルな触覚画像を生成する、制御可能なフレームワークである。 ControlTacは、触覚データセットを効果的に拡張し、一貫したゲインにつながることを実証します。
  論文  参考訳（メタデータ） (2025-05-26T20:01:17Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• PoseLess: Depth-Free Vision-to-Joint Control via Direct Image Mapping with VLM [0.0]
  PoseLessはロボットハンドコントロールのための新しいフレームワークで、投影された表現を用いて2D画像を関節角に直接マッピングすることで、明示的なポーズ推定を不要にする。 提案手法では,ランダムな関節構成によって生成された合成トレーニングデータを活用し,実世界のシナリオへのゼロショット一般化とロボットから人間の手へのクロスモルフォロジー移行を実現する。
  論文  参考訳（メタデータ） (2025-03-10T09:34:05Z)

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。