論文の概要: RGraph-Eval: Task-Grounded Scene Graphs for Evaluating Robot Video Generation

• arxiv url: http://arxiv.org/abs/2610.31121v1
• Date: Thu, 22 Oct 2026 11:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.361856
• Title: RGraph-Eval: Task-Grounded Scene Graphs for Evaluating Robot Video Generation
• Title（参考訳）: RGraph-Eval:ロボット映像生成のためのタスク周囲のシーングラフ
• Abstract要約: RGraph-Evalは、タスクグラウンドの時間シーングラフを通じて、相違を明示するフレームワークである。 我々は,タスクエンティティ,インタラクション,動作を,統一的で解釈可能なシーングラフ表現内に整理する。 マルチモーダル表現を備えたShareRobot-SGも導入した。
• 参考スコア（独自算出の注目度）: 37.989689183526565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generated robot videos can look convincing while depicting the wrong interac- tion: a different object is moved, a grasp disappears, or a placement ends out- side its destination. We introduce RGraph-Eval, a reference-based framework that makes these discrepancies explicit through task-grounded temporal scene graphs. Unlike approaches that construct separate evidence representations for different evaluation dimensions, we organize task entities, interactions, and motion within a unified, interpretable scene graph representation. A foundation-model pipeline identifies manipulation roles, grounds persistent object masks, infers and verifies state transitions and action intervals, and reconstructs manipulated- object motion in three dimensions. Applying this representation to a generated video and a reference demonstration supports an interpretable RGraph-Eval score with visible-object, relation-change, and 3D path-shape components. We also introduce ShareRobot-SG, a collection of 1,000 manipulation scenes from ten ShareRobot sources annotated with the multimodal representation. Our eval- uation separates graph-generation quality from agreement with human video judgments, and includes comparisons with adapted SVG2 and SG-Ego, a bench- mark of three video generators. The framework connects robot-video assessment to the observable entities and interactions underlying a task, while making the graph annotations reusable beyond evaluation. Code will be publicly available at https://github.com/SashaDance/rgraph-eval.
• Abstract（参考訳）: 異なる物体が動かされたり、つかみが消えたり、目的地の外側に配置されたり。 RGraph-Evalは、タスクグラウンドの時間的シーングラフを通して、これらの違いを明確にする参照ベースのフレームワークである。 異なる評価次元の別個のエビデンス表現を構成するアプローチとは異なり、タスクエンティティ、インタラクション、動作を統一的、解釈可能なシーングラフ表現内に整理する。 ファンデーションモデルパイプラインは、操作の役割を特定し、永続的なオブジェクトマスクを接地し、状態遷移とアクション間隔を推測し、検証し、操作されたオブジェクトの動きを3次元で再構築する。 この表現を生成されたビデオに適用し、参照デモは、可視オブジェクト、リレーション-チェンジ、および3Dパス-シェープコンポーネントを備えた解釈可能なRGraph-Evalスコアをサポートする。 マルチモーダル表現を付加した10のShareRobotソースからの1,000の操作シーンのコレクションであるShareRobot-SGについても紹介する。 我々のeval-uationは、人間のビデオ判断との一致からグラフ生成の品質を分離し、3つのビデオジェネレータのベンチマークであるSVG2とSG-Egoとの比較を含む。 このフレームワークは、ロボットとビデオのアセスメントをタスクの基盤となる観測可能なエンティティやインタラクションに結び付け、グラフアノテーションを評価を超えて再利用する。 コードはhttps://github.com/SashaDance/rgraph-eval.comで公開される。

関連論文リスト

• SceneGraphGrounder: Zero-Shot 3D Visual Grounding via Structured Scene Graph Matching [2.4737219202679808]
  SceneGrapherは,再構成された3次元シーングラフ上の構造化グラフマッチングとして3次元グラウンドを再構成するフレームワークである。 我々は,移動ロボットによる実世界展開によるフレームワークの実証を行い,長距離物理環境における堅牢な空間推論を実証した。
  論文  参考訳（メタデータ） (2026-05-20T22:30:51Z)
• Articulated 3D Scene Graphs for Open-World Mobile Manipulation [55.97942733699124]
  本報告では, セマンティックな3次元シーングラフを構築するためのフレームワークであるMoMa-SGについて述べる。 新たな統合的ツイスト推定法を用いて調音モデルを推定する。 また,Arti4D-Semanticデータセットについても紹介する。
  論文  参考訳（メタデータ） (2026-02-18T10:40:35Z)
• FunGraph: Functionality Aware 3D Scene Graphs for Language-Prompted Scene Interaction [1.8124328823188356]
  本研究の目的は,ロボットが環境と直接対話できる表現を開発することである。 我々は、より細かな解像度でオブジェクトを検出し、保存することに集中し、価格関連部品に焦点をあてる。 現在利用可能な3Dリソースを活用して、2Dデータを生成し、検出器をトレーニングし、標準の3Dシーングラフ生成パイプラインを拡張するために使用します。
  論文  参考訳（メタデータ） (2025-03-10T23:13:35Z)
• Multiview Scene Graph [7.460438046915524]
  適切なシーン表現は、空間知性の追求の中心である。 未提示画像からマルチビューシーングラフ(MSG)を構築することを提案する。 MSGは、場所とオブジェクトノードを相互接続したシーンをトポロジ的に表現する。
  論文  参考訳（メタデータ） (2024-10-15T02:04:05Z)
• SGAligner : 3D Scene Alignment with Scene Graphs [84.01002998166145]
  3Dシーングラフの構築は、いくつかの具体的AIアプリケーションのためのシーン表現のトピックとして登場した。 オーバーラップ可能な3次元シーングラフのペアをゼロから部分的に整列させるという基本的な問題に着目する。 そこで我々はSGAlignerを提案する。SGAlignerは3次元シーングラフのペアを組合わせるための最初の方法であり、その組込みシナリオに対して堅牢である。
  論文  参考訳（メタデータ） (2023-04-28T14:39:22Z)
• Graph-to-3D: End-to-End Generation and Manipulation of 3D Scenes Using Scene Graphs [85.54212143154986]
  制御可能なシーン合成は、基本的な仕様を満たす3D情報を生成することで構成される。 シーングラフは、オブジェクト(ノード)とオブジェクト間の関係(エッジ)からなるシーンの表現である 本稿では,シーングラフから形状を直接エンドツーエンドに生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-19T17:59:07Z)
• Spot What Matters: Learning Context Using Graph Convolutional Networks for Weakly-Supervised Action Detection [0.0]
  ビデオにおける人間の行動検出を改善するために,自己注意と畳み込みネットワークに基づくアーキテクチャを導入する。 我々のモデルは、学習したコンテキストを注意マップとして可視化することで、トレーニング中に見つからないアクションやオブジェクトに対しても説明しやすくする。 実験結果から, 文脈的アプローチはビデオ・mAPの2点以上で, ベースライン動作検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-07-28T21:37:18Z)
• Compositional Video Synthesis with Action Graphs [112.94651460161992]
  アクションのビデオは、空間と時間の豊富な構成構造を含む複雑な信号である。 本稿では、アクショングラフと呼ばれるグラフ構造におけるアクションを表現し、新しいアクショングラフ・トゥ・ビデオ合成タスクを提案する。 このタスクのための生成モデル(AG2Vid)は、動作と外観の特徴を歪め、アクションのスケジューリング機構を組み込むことで、タイムリーかつ協調的なビデオ生成を容易にする。
  論文  参考訳（メタデータ） (2020-06-27T09:39:04Z)

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。