論文の概要: ViewStruct: View-Grounded Articulation and Connectivity Inference
- arxiv url: http://arxiv.org/abs/2610.16793v1
- Date: Mon, 12 Oct 2026 13:47:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 21:30:56.109919
- Title: ViewStruct: View-Grounded Articulation and Connectivity Inference
- Title（参考訳）: ViewStruct: View-Grounded Articulation and Connectivity Inference
- Abstract要約: オブジェクトやシーンの接続性と調音を共同で予測するフレームワークであるViewStructを紹介する。
そのビューグラウンド表現は、観測された領域に予測をリンクし、重力に整合したビュー相対的フレームで関節幾何学を表現する。
事前学習された視覚言語モデルは、観察された調音運動やインスタンスごとの最適化を必要とせず、数秒で構造を予測するように適応される。
- 参考スコア（独自算出の注目度）: 24.485228689492118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interacting with unfamiliar objects requires understanding how their parts connect and move. We introduce ViewStruct, a framework for jointly predicting connectivity and articulation in objects and scenes. Given an RGB image with aligned part segmentation and depth, optionally supplemented by images or video, ViewStruct predicts rigid-body groupings, attachments, and joint parameters. Its view-grounded representation links predictions to observed regions and expresses joint geometry in a gravity-aligned, view-relative frame, without requiring category-specific canonical orientations. A pretrained vision--language model is adapted to predict structure in seconds, without requiring observed articulation motion or per-instance optimisation. Experiments demonstrate improved structural prediction over evaluated baselines and transfer to unseen categories, asset sources, and real-world human-interaction videos, despite task-specific training exclusively on synthetic data. Simulated manipulation experiments further demonstrate the utility of predicted joints for generating robot motion trajectories.
- Abstract（参考訳）: 馴染みのない物体と相互作用するには、部品の接続と移動の仕方を理解する必要がある。
オブジェクトやシーンの接続性と調音を共同で予測するフレームワークであるViewStructを紹介する。
画像やビデオによって任意に補完される、整列部分のセグメンテーションと深さを持つRGBイメージが与えられたら、ViewStructは剛体グルーピング、アタッチメント、関節パラメータを予測する。
そのビューグラウンド表現は、観測された領域に予測をリンクし、カテゴリー固有の標準方向を必要とせず、重力整列されたビュー相対的なフレームで関節幾何学を表現する。
事前学習された視覚言語モデルは、観察された調音運動やインスタンスごとの最適化を必要とせず、数秒で構造を予測するように適応される。
実験では、評価されたベースラインよりも構造予測を改善し、合成データのみに特化してタスク固有のトレーニングを行っているにもかかわらず、見知らぬカテゴリ、資産源、実世界のヒューマンインタラクションビデオに転送した。
シミュレーション操作実験により、ロボットの運動軌跡を生成するための予測関節の有用性がさらに実証された。
関連論文リスト
- RelationVGGT: Visual Geometry Transformers for 3D Spatial Relation Segmentation [60.646139728534195]
フィードフォワードでポーズフリーなマルチビュー設定で3次元空間関係のセグメンテーションを定式化する。
視覚基盤モデルから意味的特徴と3次元幾何学基礎モデルからの幾何認識表現を統合する新しいフィードフォワードフレームワークであるRelationVGGTを提案する。
論文 参考訳（メタデータ） (2026-10-01T03:00:27Z) - LEGAU: Learning Semantic Gaussian Priors for Scalable Category-level Pose Estimation [68.07049602984412]
単一のRGB-D観測によるカテゴリーレベルの6Dポーズ推定は本質的に非拘束である。
我々は,NOCS対応,オブジェクトポーズ,サイズを共同で予測する統合フレームワークLEGAUを提案する。
合成および実世界のベンチマーク実験により、この合成されたポーズ-形状の定式化が強い性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-09-28T12:42:19Z) - Track2Art: Articulated Object Model Recovery with Visual-Geometric Track Representations [28.717900908902678]
RGB-Dインタラクションビデオから構造化されたオブジェクトを復元する動き中心のフレームワークであるTrack2Artを提案する。
Track2Artは、追跡されたイメージポイントを永続的な3Dトラジェクトリに持ち上げ、事前訓練されたトラッキング機能、ビジュアルディスクリプタ、明示的なトラジェクトリ幾何を組み合わせる。
20オブジェクトのPartNet-Mobilityスイートでは、Track2Artは0.695 Point IoUと0.410 end-to-end J@20を達成する。
論文 参考訳（メタデータ） (2026-09-23T10:47:02Z) - Articulated Object Reconstruction from Rest-State Observation [33.09154459685742]
インタラクティブなデジタル双生児を作るには、3D幾何学と、物体の関節の仕方を管理する運動構造の両方を復元する必要がある。
一つの閉じた構成から明瞭な物体を再構成する静止状態定式化を導入する。
論文 参考訳（メタデータ） (2026-07-30T06:42:03Z) - Geo-ID: Test-Time Geometric Consensus for Cross-View Consistent Intrinsics [37.614964138575935]
内在的な画像分解は、画像からアルベド、粗さ、および金属性などの物理ベースのレンダリングパラメータを推定することを目的としている。
ビデオベースのモデルは、クロスフレームの一貫性を改善することができるが、高密度で順序付けられたシーケンスと相当な計算を必要とする。
クロスビュー一貫した分解を生成するために,未学習の単視点予測器を本質的に再利用する新しいテストタイムフレームワークであるGeo-IDを提案する。
論文 参考訳（メタデータ） (2026-03-14T09:36:27Z) - Self-Supervised Relation Alignment for Scene Graph Generation [44.3983804479146]
シーングラフ生成性能を改善するために,自己教師付きリレーショナルアライメントの正規化を導入する。
提案されたアライメントは一般的なもので、既存のシーングラフ生成フレームワークと組み合わせることができる。
本稿では,この自己教師付きリレーショナルアライメントと2つのシーングラフ生成アーキテクチャの有効性について述べる。
論文 参考訳（メタデータ） (2023-02-02T20:34:13Z) - Category-Independent Articulated Object Tracking with Factor Graphs [14.574389906480867]
アーティキュレートされた物体は、カテゴリー的先行と矛盾する予期せぬ調音機構を持つ。
RGB-D画像のシーケンスから未知物体の調音モデルを予測するためのカテゴリ非依存のフレームワークを提案する。
我々の視覚知覚と因子グラフモジュールは、シミュレーションデータに基づくベースラインよりも優れており、実世界のデータに対する因子グラフの適用性を示している。
論文 参考訳（メタデータ） (2022-05-07T20:59:44Z) - Watch It Move: Unsupervised Discovery of 3D Joints for Re-Posing of
Articulated Objects [73.23249640099516]
複数視点からの移動を観察することで,これまで見えなかった物体の外観と構造の両方を学習する。
我々の洞察では、互いに相対的に動く隣り合う部分は関節で繋がらなければならない。
本手法は,四足歩行から単腕ロボット,人間に至るまで,さまざまな構造に対して有効であることを示す。
論文 参考訳（メタデータ） (2021-12-21T16:37:48Z) - Wide and Narrow: Video Prediction from Context and Motion [54.21624227408727]
本稿では,これらの相補的属性を統合し,深層ネットワークを通した複雑なピクセルのダイナミックスを予測するフレームワークを提案する。
本研究では,非局所的な近隣表現を集約し,過去のフレーム上の文脈情報を保存するグローバルなコンテキスト伝搬ネットワークを提案する。
また,移動オブジェクトの動作をメモリに格納することで,適応的なフィルタカーネルを生成するローカルフィルタメモリネットワークを考案した。
論文 参考訳（メタデータ） (2021-10-22T04:35:58Z) - Motion Segmentation using Frequency Domain Transformer Networks [29.998917158604694]
本稿では,前景と背景を別々にモデル化することで,次のフレームを予測できる新しいエンドツーエンド学習アーキテクチャを提案する。
我々の手法は、ビデオラダーネットワークや予測ゲーテッドピラミドなど、広く使われているビデオ予測手法よりも優れた合成データが得られる。
論文 参考訳（メタデータ） (2020-04-18T15:05:11Z)
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。