論文の概要: SonoWorld: Towards Interactive Pose-Controllable Ultrasound World Models

• arxiv url: http://arxiv.org/abs/2610.19327v2
• Date: Mon, 19 Oct 2026 19:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.202448
• Title: SonoWorld: Towards Interactive Pose-Controllable Ultrasound World Models
• Title（参考訳）: SonoWorld:インタラクティブなPose-Controllable Ultrasound World Modelを目指して
• Abstract要約: SonoWorldはポーズコントロール可能な超音波ワールドモデルで、主にフリーハンド臨床ビデオから学習されている。 ロボット超音波データ取得とポリシー評価のためのデータ駆動型インタラクティブ環境を提供する。
• 参考スコア（独自算出の注目度）: 27.32296152801341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic ultrasound can standardize image acquisition and reduce operator workload and variability, but policy learning remains limited by the lack of realistic, controllable simulation environments. While controllable world models have advanced rapidly in natural-image domains, ultrasound world modeling remains challenging because each frame captures only a cross-section of unobserved 3D anatomy, causing small probe motions to induce large appearance changes. Existing approaches rely on robot-tracked poses and latent-space prediction, but do not directly generate the observations required for interactive control. We propose SonoWorld, a causal ultrasound world model that learns video dynamics from unlabeled clinical videos and grounds them to 6-DoF control using a small set of freehand clinical scans tracked with an EM sensor. SonoWorld is trained in three stages: pretraining a latent-action-conditioned video diffusion model on around 6.9 million unlabeled multi-organ ultrasound frames; grounding the learned video dynamics to metric probe poses with a small EM-tracked thyroid dataset; and applying distribution matching distillation to enable causal, long-horizon autoregressive generation with selectively caching eviction tokens at inference time. We evaluate controllability through pose-following fidelity, round-trip consistency, and axis-specific control under synthetic actions on held-out tracked scans, and further validate it with a user study. In model-based action discrimination, SonoWorld correctly ranks the target-directed probe motion over an equal-magnitude opposite motion in up to 74.8% of trials. To our knowledge, SonoWorld is the first causal, pose-controllable ultrasound world model learned primarily from freehand clinical videos, providing a data-driven interactive environment for robotic ultrasound data acquisition and policy evaluation.
• Abstract（参考訳）: ロボット超音波は画像取得を標準化し、作業負荷と可変性を低減できるが、現実的で制御可能なシミュレーション環境が欠如しているため、政策学習は制限されている。 自然画像領域では制御可能な世界モデルが急速に進歩しているが、それぞれのフレームが観測されていない3D解剖の断面のみを捉え、小さなプローブの動きが大きな外観変化を引き起こすため、超音波世界モデリングは依然として困難である。 既存のアプローチはロボット追跡されたポーズと潜在空間予測に依存しているが、対話的な制御に必要な観察を直接生成しない。 本研究では,脳波センサで追跡された小型のフリーハンド臨床スキャンを用いて,ビデオのダイナミックスをラベル付けされていない臨床ビデオから学習し,それらを6-DoF制御にグラウンドする,因果的超音波世界モデルであるSanoWorldを提案する。 SonoWorldは3つの段階で訓練されている: 約6.9百万の未ラベルの多臓器超音波フレーム上で、潜在動作条件付きビデオ拡散モデルを事前訓練すること、学習したビデオダイナミクスをメートル法プローブのポーズに小さなEM追跡された甲状腺データセットで基礎付けること、そして推論時に選択的キャッシングによる因果的、長い水平自己回帰生成を可能にするために分布マッチング蒸留を適用すること。 本研究では, ホールドアウト追跡スキャンにおける合成動作下でのポーズ追従の忠実度, ラウンドトリップの整合性, 軸特異的制御による制御性の評価を行い, さらにユーザによる検証を行った。 モデルに基づく行動差別において、ソノワールドは74.8%の試験において、目標指向のプローブの動きを対等な逆運動に正しくランク付けしている。 我々の知る限り、SonoWorldはフリーハンド臨床ビデオから学習された最初の因果的、ポーズ制御可能な超音波ワールドモデルであり、ロボット超音波データ取得とポリシー評価のためのデータ駆動型インタラクティブ環境を提供する。

関連論文リスト

• UltraWorld: Learning Interactive Ultrasound World Models from Untracked Clinical Videos with Acoustic Sampling Map [5.7883550911432735]
  臨床用超音波ビデオからインタラクティブな世界モデルに先行情報を転送する自己蒸留法であるUltraWorldを提案する。 次に、これらの合成ペアを用いて発電機を自己蒸留し、局所的な観測と行動から将来の観測を予測する世界モデルを作成する。
  論文  参考訳（メタデータ） (2026-10-07T10:02:28Z)
• World Motion Models: Flexible Sequence Modeling of SE(3) Trajectories [82.08884552902076]
  WMM(World Motion Models)を提案する。 この表現は、明瞭な物体、人体、手動物体の相互作用、断片的に巧妙なシーンダイナミクス、カメラモーション、さらにはロボットの状態とアクションを単一の共有空間に統一する。
  論文  参考訳（メタデータ） (2026-10-01T14:13:24Z)
• Contact-Adaptive Robotic Ultrasound Probe Control for Tissue Exploration and Continuous Task-Relevant Visualization Using Robot-Free Image-Motion Demonstration [3.915263615410247]
  ロボットレス実験から得られた接触適応型ロボット超音波モニタリングについて述べる。 Sonologgerは6軸慣性センサーを臨床医が操作するプローブにクランプし、超音波とプローブフレームの相対回転をロボット、カメラ、トラッカーなしで記録する。
  論文  参考訳（メタデータ） (2026-09-27T07:35:47Z)
• InternW0: A Foundational Physical World Model for Efficient Real-World Interactions [71.6162746447152]
  上海AI研究所からInternW物理世界モデルシリーズの最初のインスタンス化であるInternW0を紹介する。 フローマッチングを伴う非対称なビデオアクションアーキテクチャにより,将来の視覚力学と連続ロボット制御を学習する。 InternW0を約7,200時間の異質なロボットとエゴセントリックなデータでトレーニングし、その中には275時間のリアルタイムなエゴセントリックなデータセットであるEgoLabが含まれています。
  論文  参考訳（メタデータ） (2026-09-23T10:20:56Z)
• Action-Conditioned World Model for Goal Plane Probe Guidance in Robotic Ultrasound [13.198336762738414]
  ロボット超音波における目標面プローブ誘導のための行動条件付き世界モデルフレームワークを提案する。 2段階のモデルに基づく学習パイプラインを用いてこの問題に対処する。第1に、潜伏条件拡散世界モデルが、最近の文脈フレーム、プローブ運動、時間オフセットから将来の超音波観測を予測し、第2に、ゴール条件の時間変換器が順序づけられたプローブ運動を予測し、凍結世界モデルからの報酬を用いて微調整を行う。
  論文  参考訳（メタデータ） (2026-07-24T02:48:13Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• EchoWorld: Learning Motion-Aware World Models for Echocardiography Probe Guidance [79.66329903007869]
  本稿では,プローブ誘導のためのモーションアウェアな世界モデリングフレームワークであるEchoWorldを紹介する。 解剖学的な知識と運動によって引き起こされる視覚力学を符号化する。 200以上の定期的なスキャンから100万枚以上の超音波画像で訓練されている。
  論文  参考訳（メタデータ） (2025-04-17T16:19:05Z)
• Online Adaptation for Myographic Control of Natural Dexterous Hand and Finger Movements [0.6741087029030101]
  この研究は、補綴制御システムから得られる信頼性、応答性、運動の複雑さの観点から、筋電図復号における最先端の状態を再定義する。
  論文  参考訳（メタデータ） (2024-12-23T21:20:32Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)

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。