論文の概要: Goal Images Are Control Targets: Spatially-Grounded Goal-Image Synthesis for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.24885v2
• Date: Wed, 21 Oct 2026 16:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.990333
• Title: Goal Images Are Control Targets: Spatially-Grounded Goal-Image Synthesis for Robotic Manipulation
• Title（参考訳）: ゴール画像は制御対象:ロボットマニピュレーションのための空間的なゴール画像合成
• Abstract要約: ゴール条件付き操作ポリシーは、ゴール画像、現在の観察から合成された所望の操作後シーンの画像、言語指導によって構成される。 CALVINに関する2つの独立した目標条件付きポリシーは、編集品質の高いリーダーボードを上位に集める画像エディターは、提案したよりはるかに小さなオープンモデルよりも制御目標を悪くする。 SGE-Goalはオープンベースモデルを、私たちがCALVINで評価した最強のゴールジェネレータに変換します。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Goal-conditioned manipulation policies are steered by a goal image, a picture of the desired post-manipulation scene synthesized from the current observation and a language instruction. The prevailing assumption is that better image-editing quality yields better goals, so goal generators are built and compared using general image-editing metrics. We show this assumption is false. Across two independent goal-conditioned policies on CALVIN, the image editors that top aggregate editing-quality leaderboards (Gemini 3 Pro Image and GPT Image 1.5) produce worse control targets than our proposed far smaller finetuned open models, and the gap widens sharply for the multi-step (long-horizon) tasks robots actually face. A per-dimension analysis explains why. Downstream policy success is governed almost entirely by manipulation adherence (selecting the right object and the right final state; Spearman $ρ\approx 0.9$ with success), while photorealism and aesthetic fidelity, precisely where large proprietary editors excel, are uncorrelated with success ($ρ\approx 0$). This dissociation holds on both CALVIN and the real-world-aligned SIMPLER-Bridge benchmark. We then present SGE-Goal, a spatially-grounded decomposed editing framework that predicts initial and final 2D edit-region masks before goal-image synthesis. SGE-Goal turns open base models (FLUX.1 Kontext, FLUX.2 klein) into the strongest goal generators we evaluate on CALVIN, and second only to Gemini 3 Pro Image on SIMPLER-Bridge. Base models fine-tuned with SGE-Goal also hold up under chaining far better than the best proprietary editor, sustaining roughly seven times the success rate at the longest (five-step) chains. We release code, datasets, checkpoints, and a human-aligned diagnostic evaluator. Our results argue that goal generators must be selected by downstream utility, not by editing-quality leaderboards.
• Abstract（参考訳）: ゴール条件付き操作ポリシーは、ゴール画像、現在の観察から合成された所望の操作後シーンの画像、言語指導によって構成される。 一般的な仮定では、より良い画像編集品質はより良い目標をもたらすため、ゴールジェネレータは一般的な画像編集メトリクスを使用して構築され、比較される。 この仮定は誤りであることを示す。 CALVINでは,編集品質の高いリーダボード(Gemini 3 Pro Image と GPT Image 1.5)を上位に集めるイメージエディタが,これまで提案してきたよりはるかに小さなオープンモデルよりも制御対象が悪く,そのギャップがロボットが実際に直面しているマルチステップ(ロングホライゾン)タスクに対して急速に広がる。 次元毎の分析でその理由が説明できる。 下流での政策成功は、ほぼ完全に操作の順守(正しいオブジェクトと正しい最終状態を選択すること、Spearman $ρ\approx 0.9$は成功)によって管理されるが、フォトリアリズムと美的忠実さは、正確には大規模なプロプライエタリな編集者が優れている場所であり、成功とは無関係である(ρ\approx 0$)。 この解離は、CALVINと実世界のSIMPLER-Bridgeベンチマークの両方に当てはまる。 次に,初期および最終2次元編集領域マスクを目標画像合成の前に予測する空間的分解編集フレームワークであるSGE-Goalを提案する。 SGE-Goalはオープンベースモデル(FLUX.1)を転換する Kontext, FLUX.2 klein)は私たちがCALVINで評価した最強のゴールジェネレータであり、SIMPLER-BridgeのGemini 3 Pro Imageに次いで第2位である。 SGE-Goalで微調整されたベースモデルは、最高のプロプライエタリなエディタよりもはるかに優れたチェーンを保ち、最も長い(5段階)チェーンでの成功率の約7倍を維持している。 コード、データセット、チェックポイント、および人間による診断評価ツールをリリースします。 以上の結果から,ゴールジェネレータは高品質なリーダボードではなく,下流ユーティリティによって選択されなければならない,という結論が得られた。

関連論文リスト

• G$^3$VLA: Geometric inductive bias for Vision-Language-Action Models [3.704517635293094]
  視覚言語アクション(VLA)モデルは、汎用ロボット操作において急速に進歩した。 それらの視覚トークンは、ロボットのカメラのキャリブレーションされた形状ではなく、2D画像座標に基づいている。 予め訓練されたVLAの視覚的ストリームに校正された構造を注入するカメラ対応幾何モジュールであるG$3$VLAを提案する。
  論文  参考訳（メタデータ） (2026-06-23T12:02:36Z)
• From Editor to Dense Geometry Estimator [77.21804448599009]
  密度幾何予測のための拡散変換器(DiT)アーキテクチャに基づく高度な編集モデルを適用するフレームワークである textbfFE2E を紹介する。 FE2EはETH3Dデータセットで35%以上のパフォーマンス向上を実現し、100$times$データでトレーニングされたDepthAnythingシリーズを上回っている。
  論文  参考訳（メタデータ） (2025-09-04T15:58:50Z)
• Visual Autoregressive Modeling for Instruction-Guided Image Editing [97.04821896251681]
  画像編集を次世代の予測問題として再編成する視覚的自己回帰フレームワークを提案する。 VarEditは、正確な編集を実現するために、マルチスケールのターゲット機能を生成する。 1.2秒で512times512$編集を完了し、同じサイズのUltraEditよりも2.2$times$高速になった。
  論文  参考訳（メタデータ） (2025-08-21T17:59:32Z)
• WGLE:Backdoor-free and Multi-bit Black-box Watermarking for Graph Neural Networks [2.3612692427322313]
  グラフニューラルネットワーク(GNN)のための新しいブラックボックス透かしパラダイムであるWGLEを提案する。 WGLEは、意図した情報をエンコードする透かしを埋め込む。 その結果、WGLEは100%のオーナシップ検証精度、平均忠実度0.85%、潜在的攻撃に匹敵し、組込みオーバーヘッドが低いことがわかった。
  論文  参考訳（メタデータ） (2025-06-10T09:12:00Z)
• GHIL-Glue: Hierarchical Control with Filtered Subgoal Images [68.36060286192262]
  Generative Hierarchical Imitation Learning-Glue (GHIL-Glue) は、言語条件のイメージやビデオ予測モデルを低レベルな目標条件のポリシーで結合するインタフェースである。 GHIL-Glueはタスクの進行に繋がらないサブゴールをフィルタリングし、有害な視覚的アーティファクトを持つ生成されたサブゴールに対するゴール条件付きポリシーの堅牢性を改善する。 我々は、GHIL-Glueが生成サブゴールを利用する複数の階層モデルに対して25%改善するシミュレーション環境と実環境の両方において、広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-26T00:32:21Z)
• GVA: Reconstructing Vivid 3D Gaussian Avatars from Monocular Videos [56.40776739573832]
  モノクロビデオ入力(GVA)から鮮明な3Dガウスアバターの作成を容易にする新しい手法を提案する。 私たちのイノベーションは、高忠実な人体再構築を実現するという、複雑な課題に対処することにあります。 通常の地図とシルエットを整列させて手足のポーズ精度を向上させるためにポーズ改善手法を提案する。
  論文  参考訳（メタデータ） (2024-02-26T14:40:15Z)
• Improving Zero-shot Generalization and Robustness of Multi-modal Models [70.14692320804178]
  CLIPやLiTのようなマルチモーダルな画像テキストモデルは、画像分類ベンチマークで顕著な性能を示している。 本研究は,この性能差の原因を考察し,テキストプロンプトの曖昧さによる障害事例の多くが原因であることを示す。 本稿では,WordNet階層を用いて,不確実な画像の精度を向上させるための簡易かつ効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-04T07:26:24Z)

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。