日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

3D再構築arXiv:2604.07728

GEAR: ガウススプラッティングによる関節物体モデリングのための幾何-運動交互最適化

GEAR: GEometry-motion Alternating Refinement for Articulated Object Modeling with Gaussian Splatting

シェア:XThreadsFacebookLINEはてブBluesky

関節物体の高精度な再構築と運動パラメータ推定を実現するため、EMスタイルの交互最適化フレームワークを提案し、幾何と運動を相互依存的にモデル化した。

詳しい要約

1. どんなもの?

- 本論文は、Gaussian Splatting表現を用いて関節物体の幾何形状と運動を同時にモデル化するGEARを提案する。 - 関節物体の高忠実度なインタラクティブデジタルアセットはembodied intelligenceやロボティクスに不可欠だが、複雑な構造と幾何-運動の結合関係から再構築が困難である。 - 既存手法は幾何-運動の同時最適化が不安定で、複数関節や分布外物体への汎化が限定的である。 - GEARはEMスタイルの交互最適化フレームワークで、部分分割を潜在変数、関節運動パラメータを明示変数として交互に洗練する。 - これにより収束性と幾何-運動の一貫性を改善し、複数の可動部を持つ複雑な関節物体でも高精度な再構築と運動推定を実現する。

2. 先行研究と比べてどこがすごい?

- 既存手法は幾何-運動の同時最適化が不安定で、複数関節や分布外物体への汎化が限定的である。 - GEARはEMスタイルの交互最適化により、部分分割と運動パラメータを分離して交互に洗練することで、収束性と幾何-運動の一貫性を向上させる。 - 部分分割品質を汎化性能を犠牲にせず向上させるため、vanilla 2D segmentation modelから多視点部分事前分布を得て、弱教師あり制約で潜在変数を正則化する。 - 複数のベンチマークと新規構築したGEAR-Multiデータセットで、幾何再構築と運動パラメータ推定において最先端の結果を達成し、特に複数の可動部を持つ複雑な関節物体で優れる。

3. 技術・手法の肝は?

- Gaussian Splatting表現内で幾何と運動を相互依存コンポーネントとして同時にモデル化する。 - EMスタイルの交互最適化フレームワークを採用し、部分分割を潜在変数、関節運動パラメータを明示変数として交互に洗練する。 - 部分分割品質を向上させるため、vanilla 2D segmentation modelから多視点部分事前分布を取得し、弱教師あり制約で潜在変数を正則化する。 - これにより収束性と幾何-運動の一貫性を改善し、複雑な多関節物体への汎化を図る。

4. どうやって有効だと検証した?

- 複数のベンチマークと新たに構築したGEAR-Multiデータセットで実験を行った。 - 幾何再構築と運動パラメータ推定の両タスクで最先端の結果を達成した。 - 特に複数の可動部を持つ複雑な関節物体において有効性を示した。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。関連手法としてGaussian Splatting、EMアルゴリズム、vanilla 2D segmentation model、弱教師あり学習が挙げられる。同分野の定番としてarticulated object modeling、NeRF、3D Gaussian Splatting、part segmentation、motion estimationに関する論文が次に読むべき候補となる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jialin Li, Bin Fu, Ruiping Wang, Xilin Chen

分類: cs.CV, cs.GR, cs.RO

原文アブストラクト

High-fidelity interactive digital assets are essential for embodied intelligence and robotic interaction, yet articulated objects remain challenging to reconstruct due to their complex structures and coupled geometry-motion relationships. Existing methods suffer from instability in geometry-motion joint optimization, while their generalization remains limited on complex multi-joint or out-of-distribution objects. To address these challenges, we propose GEAR, an EM-style alternating optimization framework that jointly models geometry and motion as interdependent components within a Gaussian Splatting representation. GEAR treats part segmentation as a latent variable and joint motion parameters as explicit variables, alternately refining them for improved convergence and geometric-motion consistency. To enhance part segmentation quality without sacrificing generalization, we leverage a vanilla 2D segmentation model to provide multi-view part priors, and employ a weakly supervised constraint to regularize the latent variable. Experiments on multiple benchmarks and our newly constructed dataset GEAR-Multi demonstrate that GEAR achieves state-of-the-art results in geometric reconstruction and motion parameters estimation, particularly on complex articulated objects with multiple movable parts.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI