論文の概要: MMGNet: Multi-Modal 6-DoF Grasp Synthesis for Cluttered Scenes

• arxiv url: http://arxiv.org/abs/2610.34893v1
• Date: Mon, 26 Oct 2026 06:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.770917
• Title: MMGNet: Multi-Modal 6-DoF Grasp Synthesis for Cluttered Scenes
• Title（参考訳）: MMGNet:クラッタシーンのためのマルチモーダル6-DoFグラフ合成
• Abstract要約: MMGNetはマルチモーダルグラフ合成ネットワークである。 階層的インジェクションは、3次元表現形成全体を通して、マルチスケールな画像特徴を統合する。 回転グリップネスは、グリップ接近方向と平面内回転を共同で予測する。
• 参考スコア（独自算出の注目度）: 54.55495961749893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grasping is a foundational capability in robotic manipulation. Scene-level 6-DoF grasp synthesis relies on point clouds for metric geometry, yet real-world point observations are often noisy, incomplete, and over-smoothed. RGB images provide object-region, boundary, and appearance cues, yet two bottlenecks limit their effective use in scene representation and local grasp reasoning. We present MMGNet, a Multi-Modal Grasp Synthesis Network that addresses these bottlenecks through hierarchical image-to-3D feature injection and rotational graspness modeling. Hierarchical injection integrates multi-scale image features throughout 3D representation formation, while the rotational graspness jointly predicts the grasp approach direction and in-plane rotation before organizing local image-informed features through grasp-shaded grouping. Ablation studies show that these two modules provide complementary gains. MMGNet achieves a mean AP of 60.34 on GraspNet-1Billion with RealSense, surpassing all compared methods. In real-world experiments with adversarial grasp objects, MMGNet improves the grasp success rate over AnyGrasp by 8.46 percentage points. \emph{Code, models, and data will be released upon publication.}
• Abstract（参考訳）: グラスピングはロボット操作の基盤となる能力である。 シーンレベルの6-DoFグリップ合成は、計量幾何学の点雲に依存しているが、実世界の点観察はしばしばノイズ、不完全、過度に滑らかである。 RGB画像は、オブジェクト領域、境界、外見の手がかりを提供するが、2つのボトルネックはシーン表現と局所的把握推論における有効利用を制限する。 階層的な画像から3D特徴注入と回転的把握性モデリングにより,これらのボトルネックに対処するマルチモーダルグラフ合成ネットワークMMGNetを提案する。 階層的インジェクションは3次元表現形成全体を通してマルチスケールな画像特徴を統合する一方、回転的グリップネスは、グリップシェードグルーピングにより局所的な画像インフォームド特徴を整理する前に、グリップアプローチ方向と平面内回転を共同で予測する。 アブレーション研究は、これらの2つの加群が相補的な利益をもたらすことを示した。 MMGNetはGraspNet-1Billionで平均60.34のAPをRealSenseで達成し、比較したすべてのメソッドを上回っている。 MMGNetは、実世界において、AnyGraspのグリップ成功率を8.46ポイント向上させる。 emph{Code,モデル,データは公開時にリリースされる。 ※

関連論文リスト

• MCN-SLAM: Multi-Agent Collaborative Neural SLAM with Hybrid Implicit Neural Scene Representation [51.07118703442774]
  既存のNeRFベースのマルチエージェントSLAMフレームワークは通信帯域幅の制約を満たすことができない。 本稿では,ハイブリッドシーン表現を用いた分散マルチエージェント協調型ニューラルSLAMフレームワークを提案する。 シーン再構成を改善するために, 新規な三面体グリッド共同シーン表現法を提案する。 局所的(単一エージェント)と大域的(複数エージェント)の整合性を実現するために,新しいイントラ・トゥ・インターループ・クロージャ法が設計された。
  論文  参考訳（メタデータ） (2025-06-23T14:22:29Z)
• DiMeR: Disentangled Mesh Reconstruction Model [29.827345186012558]
  DiMeRは、疎視メッシュ再構成のための3次元監視を備えた、幾何学的・テクスチュアなアンタングルフィードフォワードモデルである。 性能/コストの低いモジュールを排除し,正規化損失を再設計し,メッシュ抽出のアルゴリズムを効率化する。 大規模な実験により、DiMeRはスパースビュー、シングルイメージ、テキストから3Dタスクにまたがって一般化し、ベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-04-24T15:39:20Z)
• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• Beyond First Impressions: Integrating Joint Multi-modal Cues for Comprehensive 3D Representation [72.94143731623117]
  既存の方法は、単に3D表現を単一ビューの2D画像と粗い親カテゴリテキストに整列させる。 十分でないシナジーは、堅牢な3次元表現は共同視覚言語空間と一致すべきという考えを無視している。 我々は,JM3Dと呼ばれる多視点共同モダリティモデリング手法を提案し,点雲,テキスト,画像の統一表現を求める。
  論文  参考訳（メタデータ） (2023-08-06T01:11:40Z)
• MNet: Rethinking 2D/3D Networks for Anisotropic Medical Image Segmentation [13.432274819028505]
  学習を通して空間表現間のバランスをとるために,新しいメッシュネットワーク(MNet)を提案する。 総合的な実験は4つのパブリックデータセット(CT&MR)で実施される
  論文  参考訳（メタデータ） (2022-05-10T12:39:08Z)

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。