論文
フィジカルAI関連の最新論文を、日本語のひとことで。原題は英語です。
最新論文: 2026/6/30 / arXivを3時間ごとに自動収集
📖 UMIデバイス・カタログ(日本語版)UMI式データ収集デバイスと主要データセットを日本語で俯瞰 →- 論文世界モデル/計画機械学習
AdaJEPA: 適応的潜在世界モデル
テスト時に世界モデルを適応させることで、分布シフト下での計画失敗を防ぐ手法を提案。MPCの閉ループ内で自己教師あり適応を行い、少数の勾配ステップで性能を大幅に改善する。
原題: AdaJEPA: An Adaptive Latent World Model / Ying Wang, Oumayma Bounou, Yann LeCun 他
日本語で読む → - 論文トラッキング/セグメンテーション画像認識
SUMO: 非線形状態空間モデルによる任意の動きのセグメンテーションと追跡
視覚的手がかりに依存せず、ロボティクス由来の非線形状態空間モデルと選択的アンセンテッドフィルタを用いて、ゼロショットで動物体のセグメンテーションと追跡を統合するフレームワークを提案した。
原題: SUMO: Segment and Track Any Motion with Nonlinear State Space Models / Kexin Tian, Sixu Li, Keshu Wu 他
日本語で読む → - 論文エージェント/蒸留/オンデバイス機械学習
DuoMem: 二重空間蒸留による高性能オンデバイスメモリエージェントの実現
大規模教師モデルの手続き的推論能力を、文脈空間とパラメータ空間の二重蒸留で小型モデルに転移し、リソース制約のあるデバイス上で高性能なメモリエージェントを実現した。
原題: DuoMem: Towards Capable On-Device Memory Agents via Dual-Space Distillation / Peyman Hosseini, Ondrej Bohdal, Ahmed Alajrami 他
日本語で読む → - 論文空間推論画像認識
OmniCoT:グローバルかつ多段階のパノラマ推論のためのベンチマーク
パノラマ画像におけるマルチモーダル大規模言語モデルの空間推論能力を評価・向上させるため、グローバルな証拠と多段階推論に焦点を当てたベンチマークOmniCoTを提案し、訓練データと評価データを整備した。
原題: OmniCoT: A Benchmark for Global and Multi-Step Panoramic Reasoning / Haocong He, Chenfei Liao, Zichen Wen 他
日本語で読む → - 論文3D再構築画像認識
シェル教師付きガウススプラッティングによる都市の実-to-シム再構築
都市のファサードをビデオから3D再構築する際、ガラスや反射などで表面形状が不安定になる問題を、外部の構造シェルを幾何学的教師として用いることで解決する手法を提案した。
原題: Shell-Supervised Gaussian Splatting for Urban Real-to-Sim Reconstruction / Yuan Yang, Peijun Lu, Fangzhou Lu 他
日本語で読む → - 論文動画編集画像認識
Goku: 命令ベース動画編集のための100万規模のユニバーサルデータセットとベンチマーク
複雑な編集指示に応えるため、200万ペアの大規模データセットと、マスク分岐と外観レンダリング分岐を分離したデュアルブランチモデルを構築し、新ベンチマークで性能を検証した論文。
原題: Goku: A Million-Scale Universal Dataset and Benchmark for Instruction-Based Video Editing / Sen Liang, Cong Wang, Zhentao Yu 他
日本語で読む → - 論文画像編集画像認識
GeoEdit: 幾何認識オブジェクト編集のためのデュアルブランチ拡散
3D物理制約を守りながら写真内のオブジェクトを正確に操作するための、トレーニング不要のLift-Manipulate-Render-Denoiseパイプラインを提案。
原題: GeoEdit: Geometry-Aware Object Editing via Dual-Branch Denoising / Yi He, Jiangming Wang, Xinyu Wang 他
日本語で読む → - 論文AIアート/映像生成cs.MM
ワールドシミュレーター:クィアエロティカと世界を約束するAIビデオモデルの不条理
AIビデオモデルが「世界シミュレーター」と称する一方で、性的表現を排除している矛盾を、ゲイエロティカを入力して幻覚的な映像を生成するビデオインスタレーションで可視化し、シミュレーションの限界と身体の表象について問う作品論文。
原題: World Simulator: Queer Erotica and the Absurdity of AI Video Models That Promise the World / Adam Cole, Mick Grierson
日本語で読む → - 論文視覚ポインティング画像認識
具現化AIのための効率的視覚ポインティング:エージェント駆動データ合成、クロスブロック注意、反復補正
言語指示からピクセル座標を推定する視覚ポインティングの精度向上を目指し、データ合成とモデル改良を組み合わせてPointArena 2026で77.2%の精度を達成した。
原題: Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction / Zijian Hong, Qi Lv, Yuxiang Xie 他
日本語で読む → - 論文把持生成画像認識
DCGrasp: 距離認識型の制御可能な把持生成
手と物体の3Dインタラクション生成において、距離プロファイルと距離認識重み付けを用いた新しい把持エネルギー項を導入し、拡散トランスフォーマーと最適化により制御可能で多様な物体形状に汎化する把持を生成するシステムを提案した。
原題: DCGrasp: Distance-aware Controllable Grasp Generation / Hiroyasu Akada, Jesús Pérez, Emre Aksan 他
日本語で読む → - 論文水中画像強調画像認識
周波数誘導デュアルパス注意によるリアルタイム水中画像強調
水中画像の劣化は周波数特性に敏感であることに着目し、構造的再パラメータ化可能な軽量CNNにDCT事前分布と周波数誘導デュアルパス注意を統合したリアルタイム水中画像強調フレームワークを提案。4.23Kパラメータで600FPS以上を達成し、大規模モデルを凌ぐ性能を示した。
原題: Real-Time Underwater Image Enhancement via Frequency-Guided Dual-Path Attention / Leshen Zhang, Ao Li, Ce Zhu
日本語で読む → - 論文強化学習機械学習
状態認識型探索を備えたデュアルフロー強化学習
連続制御タスクにおいて、報酬分布と方策分布をフローマッチングで同時にモデル化し、多峰性の探索を改善する新しいアクタークリティック手法を提案した。
原題: Dual-Flow Reinforcement Learning with State-Aware Exploration / Qijun Li, Zheng Fu, Qi Song 他
日本語で読む → - 論文戦略的分類/ロバスト最適化機械学習
意思決定依存コスト不確実性下でのロバスト戦略的分類
戦略的分類における操作コストが過去のアルゴリズム決定に依存する問題を、二段階ロバスト最適化と意思決定依存不確実性集合でモデル化し、ゲーミング抑制効果を解析した。
原題: Robust Strategic Classification under Decision-Dependent Cost Uncertainty / Sura Alhanouti, Güzin Bayraksan, Parinaz Naghizadeh
日本語で読む → - 論文視覚認識/ショートカット学習画像認識
初期手がかり精度が視覚的ショートカット学習を形作る:制御された手がかり操作ベンチマークによる検証
視覚分類器が低レベルな手がかりに依存して失敗する現象が、学習初期の手がかり精度によってどう影響されるかを、合成タスクやCIFAR-10ベンチマークで体系的に検証した論文。
原題: Early Cue Precision Shapes Visual Shortcut Learning in Controlled Cue-Manipulation Benchmarks / Chanho Park, Woochan Lee, Janyeong Oh 他
日本語で読む → - 論文安全性評価機械学習
CAREBench: 言語モデルのための子どもの安全リスク評価ベンチマーク
子どもへの明示的な危害に発展する前の、操作や感情依存などの上流リスクを評価するベンチマークを構築し、7つの最先端モデルで失敗率2%〜58%を確認した。
原題: CAREBench: A Child-Safety Risk Benchmark for Language Models / Kaavya Krishna-Kumar, Elaine Lau, Vaughn Robinson 他
日本語で読む → - 論文3Dシーン理解画像認識
2D検出器を用いた3Dガウシアンのオープンボキャブラリおよび参照セグメンテーション
3Dガウシアンスプラッティングのシーン表現に、2D物体検出器のセマンティック投票を集約してインスタンス特徴を学習し、言語クエリによるオープンボキャブラリ・参照セグメンテーションを実現する手法を提案した。
原題: Open-Vocabulary and Referring Segmentation for 3D Gaussians Using 2D Detectors / Jameel Hassan, Yasiru Ranasinghe, Vishal Patel
日本語で読む → - 論文3D再構成画像認識
UnfoldArt: テキストまたは画像からの完全な関節3Dオブジェクトのゼロショット復元
テキストや画像から、関節構造と隠れた内部形状を含む完全な3Dオブジェクトを復元する、エージェントベースの新しい手法を提案。
原題: UnfoldArt: Zero-Shot Recovery of Full Articulated 3D Objects from Text or Image / Mohamed el Amine Boudjoghra, Ivan Laptev, Angela Dai
日本語で読む → - 論文セマンティック通信/セキュリティcs.NI
多元接続チャネル上のセマンティック通信に対する無線バックドア攻撃と防御
セマンティック通信システムにおいて、敵対者が低電力のトリガー波形を送信して特定送信機の推論を選択的に操作する攻撃を提案し、その防御法を開発した。
原題: Wireless Backdoor Attack and Defense for Semantic Communications over Multiple Access Channel / Yalin E. Sagduyu, Tugba Erpek, Aylin Yener 他
日本語で読む → - 論文手の動き再構築画像認識
ビデオ拡散モデルの手の動き再構築における驚くべき有効性
事前学習済みのビデオ拡散モデルの表現を活用し、自己中心視点のビデオから4Dの両手のポーズを再構築する手法を提案。検出器やテスト時最適化を不要とし、既存手法を大幅に上回る性能を達成した。
原題: The Surprising Effectiveness of Video Diffusion Models for Hand Motion Reconstruction / Yuxi Wang, Chengkai Jin, Yufei Liu 他
日本語で読む → - 論文ワールドモデル機械学習
DreamForge-World 0.1 プレビュー:低計算コストでリアルタイム制御可能なワールドモデル
消費者向けGPUで動作する低計算コストのリアルタイム制御可能なワールドモデルのプレビュー版を提案し、キーボードやマウス操作によるインタラクティブなシミュレーションを実現した。
原題: DreamForge-World 0.1 Preview: A Low-Compute Real-Time Controllable World Model / Daniyel Ayupov, Artur Markov-Tsoy
日本語で読む → - 論文世界モデル画像認識
Orca:世界は心の中にある
Orcaは、マルチモーダルな世界信号から統一された世界潜在空間を学習し、テキスト生成・画像予測・身体動作生成などの下流タスクを軽量デコーダで実現する世界基盤モデルである。
原題: Orca: The World is in Your Mind / Yihao Wang, Yuheng Ji, Mingyu Cao 他
日本語で読む → - 論文視覚接地画像認識
任意のオープンソースMLLMの部品レベル点接地を強化する手法
MLLMの注意機構を利用し、凍結したまま部品レベルの2D点接地を可能にする軽量デコーダを提案した。
原題: Enhancing Part-Level Point Grounding for Any Open-Source MLLMs / Jin-Cheng Jhang, Fu-En Wang, Xin Yang 他
日本語で読む → - 論文VLA/評価ベンチマークAI
SurgVLA-Bench: 腹腔鏡手術ロボットのための視覚言語行動モデル評価ベンチマーク
腹腔鏡手術ロボット向けのVLAモデルを評価する初の包括的ベンチマークを提案し、SurRoLシミュレーション上で階層的タスクと多次元評価フレームワークを構築した。
原題: SurgVLA-Bench: Towards Evaluating Vision-Language-Action Models for Laparoscopic Surgical Robotics / Jiashuo Sun, Yue He, Wenxuan Liu 他
日本語で読む → - 論文3Dビジョン/シーン理解画像認識
シーンはプリミティブではなくオブジェクトとして捉える:非ポーズ視点からのインスタンス構造化3Dトークン化
非ポーズの多視点画像から、シーンをオブジェクト単位の3Dトークングループに分解するフィードフォワード手法を提案。再構成・セグメンテーション・操作を統一的に扱える。
原題: Scenes as Objects, Not Primitives: Instance-Structured 3D Tokenization from Unposed Views / Mijin Yoo, In Cho, Subin Jeon 他
日本語で読む → - 論文クラス増分学習機械学習
クラス増分学習のためのプロトタイプ潜在世界モデルリプレイ
古いクラスの画像を保存せず、潜在空間上のプロトタイプ分布として記憶し、新しいクラス学習時にその分布からサンプリングしてリプレイするメモリフリーのクラス増分学習手法を提案した。
原題: Prototype Latent World Model Replay for Class-Incremental Learning / Weizhi Nie, Hui Wang, Weijie Wang 他
日本語で読む → - 論文VLA/推論高速化画像認識
行動に足る速さで:低遅延ロボットVLM/VLAのための時空間ビジュアルトークン統合
ロボット向け視覚言語モデルや行動モデルの推論遅延を減らすため、視覚エンコード段階で冗長なトークンを時空間的に統合するプラグアンドプレイのフレームワークST-Mergeを提案した。
原題: Fast Enough to Act: Spatio-Temporal Visual Token Merging for Low-Latency Robotic VLMs and VLAs / Junzhou Chen, Jindong Wang, Gang Zhou
日本語で読む → - 論文3D再構成/物体分離/ロボット操作画像認識
物理ベースのロボット操作のための遮蔽に頑健な多物体分離
遮蔽や視点不足による物体の結合を、スパースビューからの3D再構成問題として捉え、マスク不要で複数物体を分離・再構成する手法を提案。3Dガウシアンスプラッティングと拡散モデルを組み合わせ、シミュレーション可能な物体を生成する。
原題: Occlusion-Robust Multi-Object Decoupling for Physics-Based Robotic Interaction / Xin Dong, Lihan Zhang, Tianru Dai 他
日本語で読む → - 論文言語モデル機械学習
言語モデルの潜在軌跡における不変推論方向
強力な推論軌跡と弱い推論軌跡の差が低ランク構造を持つことを発見し、その不変方向を操作する介入手法TILRを提案した。パラフレーズや摂動に対する一貫性を向上させる。
原題: Invariant Reasoning Directions in Latent Trajectories of Language Models / Arun Vignesh Malarkkan, Manan Roy Choudhury, Utkarsh Byahut 他
日本語で読む → - 論文3D再構成画像認識
DR-GS: 物理ベースの変形・再照明可能な2Dガウシアン
変形物体のガウシアンスプラッティングにおいて、照明と材質を分離し、再照明や変形後の編集を可能にする統一フレームワークを提案した。
原題: DR-GS: Physically-Based Deformable and Relightable 2D Gaussians / Jiaxin Li, Tong Wu, Yi Wei 他
日本語で読む → - 論文動的シーン再構成画像認識
CoGS: 単眼ビデオからの動的ヒューマン・オブジェクトシーンの合成ガウススプラッティング
単眼ビデオから人間と物体の相互作用シーンを再構成するため、人間・物体・背景をそれぞれ異なる動きモデルで分離し、協調的に最適化する合成ガウススプラッティングフレームワークを提案した。
原題: CoGS: Compositional Dynamic Human-Object Scenes Gaussian Splatting from Monocular Video / Jerrin Bright, John Zelek
日本語で読む →
PR・アフィリエイト広告
