日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

形状再構成arXiv:2605.29417

ParCo-SDF: 変形物体の事前知識なし部分から完全への符号付き距離場学習

ParCo-SDF: Learning Prior-Free Partial-to-Complete Signed Distance Fields of Deformable Objects

シェア:XThreadsFacebookLINEはてブBluesky

点群観測から変形物体の完全な形状を再構成するため、時間的幾何エンコーディングとFiLM条件付きSDF予測からなる2段階フレームワークを提案した。物体固有の形状事前知識を必要とせず、重度のオクルージョン下でも高忠実な再構成を実現する。

詳しい要約

1. どんなもの?

- 変形可能物体(DO)の点群観測から部分形状を完全形状へ再構成する研究。 - 暗黙的ニューラル表現(INR)を用いて連続表面をモデル化し、構造的変動を捉える。 - ParCo-SDF という2段階の部分→完全 signed distance field(SDF)再構成フレームワークを提案。 - 時間的幾何エンコーディングと FiLM 条件付き SDF 予測から構成。 - ロボットによる精密な DO 操作を目指す。

2. 先行研究と比べてどこがすごい?

- 従来の DO 再構成手法は物体固有の形状事前分布に依存し、訓練安定性を向上させるが汎化性を制限。 - 提案手法は事前分布不要(prior-free)で安定した訓練を実現。 - FiLM ベースの条件付けにより、再構成の表現力を保ちつつネットワーク複雑度を低減。 - 深刻なオクルージョン下でも堅牢かつ高忠実度な再構成を実現。

3. 技術・手法の肝は?

- 2段階の部分→完全 SDF 再構成フレームワーク。 - 第1段階:時間的幾何エンコーディングにより DO シーケンス間の構造的類似性を捉える。 - 第2段階:FiLM 条件付き SDF 予測。 - 時間エンコーダが事前分布なしで安定訓練を可能にする。 - FiLM 条件付けが表現力を維持しつつネットワーク複雑度を削減。

4. どうやって有効だと検証した?

- ラバーバンド操作データセット上で、最先端の DO 表面再構成ベースラインと比較評価。 - 深刻なオクルージョン下で堅牢かつ高忠実度な再構成を実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で比較されている最先端の DO 表面再構成ベースライン(具体的名称は要旨に記載なし)。 - 関連手法として暗黙的ニューラル表現(INR)や FiLM 条件付け、signed distance field(SDF)を用いた再構成研究。

※ 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: Deokmin Hwang, Minseok Song, Daehyung Park

分類: cs.CV

原文アブストラクト

This study addresses the partial-to-complete geometry reconstruction of deformable objects (DOs) from point-cloud observations toward precise DO manipulation. Recent DO reconstruction approaches often adopt implicit neural representations (INRs) to model continuous surfaces as well as capture structural variability. However, these methods typically rely on object-specific shape priors that improve training stability and limit generalization. To figure it out, we introduce ParCo-SDF, a two-stage partial-to-complete signed distance field (SDF) reconstruction framework consisting of temporal geometry encoding followed by FiLM-conditioned SDF prediction. The temporal encoder captures structural similarity across DO sequence, enabling prior-free stable training. FiLM-based conditioning preserves reconstruction expressivity while reducing network complexity. We evaluate the proposed method against a state-of-the-art DO surface reconstruction baseline on a rubber band manipulation dataset, demonstrating robust and high-fidelity reconstruction under severe occlusions.

  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