論文の概要: Relational Geometry Forcing for World Action Models

• arxiv url: http://arxiv.org/abs/2610.29282v1
• Date: Wed, 21 Oct 2026 06:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.260802
• Title: Relational Geometry Forcing for World Action Models
• Title（参考訳）: 世界行動モデルのための関係幾何学の強制
• Abstract要約: 世界行動モデル(WAM)は、視覚力学と実行可能な動作を共同で学習することで、ロボット操作の強い可能性を示している。 近年,幾何学を意識したWAMは4次元予測分岐を制限しているが,表現アライメント手法は事前訓練された3次元基礎モデルを用いて中間WAM特徴を監督する。 本稿では,幾何学的先行を凍結した3次元基礎から一対の特徴関係を点的特徴ではなく整列させることにより転送する幾何学的強制法を提案する。
• 参考スコア（独自算出の注目度）: 23.40831784917559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) have shown strong potential for robot manipulation by jointly learning visual dynamics and executable actions. However, their video and action objectives do not explicitly constrain the 3D geometry that is crucial for precise manipulation. Recently, geometry-aware WAMs introduce depth or 4D prediction branches, whereas representation alignment methods supervise intermediate WAM features with pretrained 3D foundation models. Yet we find that such pointwise alignment benefits the video features but degrades action learning, since dense geometric feature targets overly restrict compact action features. To address this limitation, we propose Relational Geometry Forcing (RGF), which transfers geometric priors from a frozen 3D foundation model by aligning pairwise feature relations instead of pointwise features. Specifically, RGF applies three complementary relational objectives, where intra-frame and cross-view relations transfer scene geometry and multi-view correspondence to the video features, while action-temporal relations couple action dynamics to geometric scene evolution. Applied only during training, RGF requires no explicit geometry branch or extra inference module. Extensive experiments in simulation and the real world demonstrate the effectiveness of Relational Geometry Forcing, showing consistent gains across diverse manipulation scenarios and WAM paradigms.
• Abstract（参考訳）: 世界行動モデル(WAM)は、視覚力学と実行可能な動作を共同で学習することで、ロボット操作の強い可能性を示している。 しかし、ビデオとアクションの目的は、正確な操作に不可欠な3D幾何学を明示的に制約するものではない。 近年、幾何学的WAMは深度や4次元予測分岐を導入し、一方、表現アライメント手法は、事前訓練された3次元基礎モデルで中間WAM特徴を監督している。 しかし,高密度な幾何学的特徴がコンパクトな動作特徴を過度に制限しているため,このようなポイントワイドなアライメントはビデオ機能に効果があるが,動作学習を劣化させることがわかった。 この制限に対処するため,RGF (Relational Geometry Forcing) を提案する。 具体的には、RGFは3つの相補的リレーショナルな目的を適用し、フレーム内およびクロスビュー関係のシーンジオメトリとビデオ特徴とのマルチビュー対応を、アクション・テンポラル関係はアクション・ダイナミックスと幾何学的シーンの進化を関連づける。 トレーニング中のみ適用されるため、RGFは明示的な幾何学分岐や余分な推論モジュールを必要としない。 シミュレーションと実世界における大規模な実験は、リレーショナル・ジオメトリ・フォースの有効性を示し、様々な操作シナリオとWAMパラダイムの間で一貫した利得を示している。

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)
• ScaleVid: Geometry-Aware Video Object Scaling with Mesh-Free Inference [13.10996719828907]
  幾何学を意識したビデオオブジェクトのスケーリングは、幾何学的妥当性、時間的コヒーレンス、背景の一貫性を保ちながら、オブジェクト中心の軸に沿ってオブジェクトを異方的にリサイズすることを目的としている。 本研究では、背景保存とリアルな映像合成から、幾何学的に認識された前景変換を分離する2段階のトレーニングフレームワークを提案する。 どちらの段階でも、幾何学的に乱れた擬似ソースは実際のビデオから構築され、元の完全ビデオは再構築対象として保持される。
  論文  参考訳（メタデータ） (2026-08-12T16:28:26Z)
• Learning 4D Geometric Priors for Inference-Efficient World Action Models [26.63633606928882]
  World Action Models (WAM) は、視覚的な未来のダイナミクスと実行可能なアクションシーケンスを共同でモデル化することで、ロボット操作の強力な可能性を示している。 我々は,アクション関連4次元幾何学的先行をビデオアクション表現に注入するマルチエキスパート・コレーティング・ワールド・アクション・モデルMECo-WAMを提案する。 LIBERO (98.2%)、RoboTwin 2.0 (92.6%)、そして現実世界の操作タスクに対する挑戦的な実験は、MECo-WAMが推論コストを増大させることなく操作性能を改善することを示した。
  論文  参考訳（メタデータ） (2026-07-06T07:10:22Z)
• MAGE: View-guided Point Cloud Completion with Efficient Modality Alignment and Adaptive Geometry Enhancement [19.44604826924269]
  ビューベースのポイントクラウド補完は、部分的なポイントクラウドから完全な3D形状を復元することを目的としており、単一のビューイメージでガイドされている。 既存のアプローチは、弱いモダリティアライメントと限られた自己幾何学的拡張のために、しばしば限られたパフォーマンスに悩まされる。 本稿では,効率的なモダリティアライメントと適応的幾何拡張を統合した統合幾何認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-30T05:25:29Z)
• Artic-O: End-to-End Articulated Object Reconstruction via Latent Geometry Learning [105.35529379360186]
  Artic-Oは、音声によるオブジェクト再構成のためのエンドツーエンドのフィードフォワードフレームワークである。 スパース多状態観測を事前訓練された潜在幾何学空間にマッピングする。 凍結したフローマッチングデコーダは、可視構造と隠蔽構造の回復に先立って完全な形状を提供する。
  論文  参考訳（メタデータ） (2026-06-20T08:15:30Z)
• Make Geometry Matter for Spatial Reasoning [62.61667611352403]
  視覚言語モデル(VLM)は、強いイメージと映像理解を実現するが、静的シーンとダイナミックビデオの両方で空間的推論を行う能力は限られている。 近年の進歩は、事前訓練された3次元基礎モデルから幾何学トークンをVLMに注入することで、この制限に対処しようとしている。 我々は、VLMが幾何トークンで積極的に推論するように促すことにより、幾何学的問題を作るためのフレームワークGeoSRを提案する。
  論文  参考訳（メタデータ） (2026-03-27T17:45:12Z)
• GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models [70.61152292499737]
  このギャップは、幾何学的事前の不足から生じるものではなく、訓練パラダイムの誤った調整から生じるものである、と我々は主張する。 既存のアプローチでは、通常、特徴の結合を示唆し、幾何学的な監督なしに下流のタスクを直接最適化する。 本稿では,下流適応前の構造知覚を明示的に活性化する幾何学的事前学習パラダイムであるGAP-MLLMを提案する。
  論文  参考訳（メタデータ） (2026-03-17T12:43:48Z)
• UniGeo: A Unified 3D Indoor Object Detection Framework Integrating Geometry-Aware Learning and Dynamic Channel Gating [20.395441875640955]
  我々はUniGeoと呼ばれる3次元屋内検出フレームワークを提案する。 まず,空間的関係から特徴量への学習可能なマッピングを確立する幾何学的学習モジュールを提案する。 そこで本研究では,学習可能なチャネルワイド重み付けを利用する動的チャネルゲーティング機構を提案する。
  論文  参考訳（メタデータ） (2026-01-30T06:15:50Z)
• GRACE: Estimating Geometry-level 3D Human-Scene Contact from 2D Images [54.602947113980655]
  人景接触の幾何レベルを推定することは、特定の接触面点を3次元の人間ジオメトリに接することを目的としている。 GRACE(Geometry-level Reasoning for 3D Human-scene Contact Estimation)は,3次元接触推定のための新しいパラダイムである。 ポイントクラウドエンコーダ/デコーダアーキテクチャと階層的特徴抽出と融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2025-05-10T09:25:46Z)
• Geometry-guided Feature Learning and Fusion for Indoor Scene Reconstruction [14.225228781008209]
  本稿では3次元シーン再構成のための新しい幾何学的統合機構を提案する。 提案手法は,特徴学習,特徴融合,ネットワーク監視という3段階の3次元幾何学を取り入れている。
  論文  参考訳（メタデータ） (2024-08-28T08:02:47Z)

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。