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: 2026/6/24 / 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 →- 論文手の姿勢推定画像認識
ScaleHP: メートル空間での手の姿勢推定
手の骨の比例関係からメートル単位の手のサイズを推定し、深度モジュールなしで絶対スケールの手の姿勢を高精度に復元する新しいフレームワークを提案した。
原題: ScaleHP: Estimating Hand Pose in Metric Space / Ruitao Jing, Xingyu Chen, Hongyang Li 他
日本語で読む → - 論文仮想試着画像認識
TryOnCrafter: レンダリング可能な4D試着プロキシによるカメラ軌道を活用した現実的なビデオ仮想試着
従来のビデオ仮想試着はカメラ軌道に依存していたが、任意のカメラ移動に対応できる新しいタスクCaM-VVTを定義し、4D試着プロキシとDiTベースのフレームワークで解決する。
原題: TryOnCrafter: Unleashing Camera Trajectories for Realistic Video Virtual Try-on via a Renderable 4D Try-on Proxy / Hao Sun, Hao Yan, Mengting Chen 他
日本語で読む → - 論文最適化機械学習
球面ブラックボックス最適化手法の架け橋
進化戦略やコンセンサスベース最適化など複数のブラックボックス最適化手法を統一的枠組みで捉え、その設計選択を明らかにし、性能とロバスト性のトレードオフを制御できるハイブリッド手法を提案した。
原題: Bridging Spherical Black-Box Optimizers / Johannes Ackermann, Stefano Peluchetti
日本語で読む → - 論文3D再構成画像認識
PRISM: 幾何学的ワープ残差モデリングによる単一画像からのフィードフォワード3D再構成
単一画像から3Dシーンを再構成する際、幾何学的な前方ワープで大部分をカバーし、残りの残差のみを学習するフィードフォワード手法を提案。拡散モデルを使わずに高速で高品質な再構成を実現した。
原題: PRISM: Feed-Forward Single-Image 3D Reconstruction via Geometric Warp-Residual Modeling / Zhijie Zheng, Xinhao Xiang, Jiawei Zhang
日本語で読む → - 論文シミュレーション/知覚画像認識
RadarTwin: 特定環境向けミリ波レーダーシミュレーションと屋内認識のための学習
実データ収集前に、対象空間の3D再構成からレーダー関連の表面材質を推定し、物理ベースのレイトレーシングでFMCWレーダー測定を合成するフレームワークを提案。シミュレーションと実データの特徴が一致し、シミュレーションのみで学習した表現が実物体を偶然の2.5倍の精度で認識、少数のラベルで95.3%に向上することを示した。
原題: RadarTwin: Scene-Specific mmWave Radar Simulation and Learning for Mobile Indoor Perception / Emily Bejerano, Federico Tondolo, Devang Gupta 他
日本語で読む → - 論文VLAAI
iFLYTEK-Embodied-Omni技術報告
視覚・言語・行動を単一のOmniフレームワークで統合したマルチモーダル基盤モデルを提案し、脳と小脳の協調に例えられる設計で、指示理解から行動生成までを一貫して行う。
原題: iFLYTEK-Embodied-Omni Technical Report / Yuan Zhang, Jingfei Ni, Guanchen Lu 他
日本語で読む → - 論文ビデオ生成/拡散蒸留画像認識
Causal-rCM: ストリーミング動画生成と対話型ワールドモデルのための自己回帰拡散蒸留における教師強制と自己強制の統一的オープンレシピ
自己回帰ビデオ拡散モデルに対して、拡散蒸留フレームワークrCMを拡張し、教師強制と自己強制の相補性を活用した統一的な蒸留手法Causal-rCMを提案。カスタムマスクFlashAttention-2 JVPカーネルにより連続時間CMを実装し、10倍の収束高速化と最先端のストリーミング動画生成性能を達成した。
原題: Causal-rCM: A Unified Teacher-Forcing and Self-Forcing Open Recipe for Autoregressive Diffusion Distillation in Streaming Video Generation and Interactive World Models / Kaiwen Zheng, Guande He, Min Zhao 他
日本語で読む → - 論文ビュー合成画像認識
胃内視鏡ビュー合成:新しい実データセットと評価
胃内視鏡画像の新規ビュー合成のための実データセットGastroNVSを初めて提供し、3Dガウススプラッティング手法の評価と課題を議論した。
原題: Gastroendoscopy View Synthesis: A New Real Dataset and Evaluation / Masaki Minai, Yusuke Monno, Masatoshi Okutomi 他
日本語で読む → - 論文強化学習機械学習
万能解を超えて:オフライン事前知識を用いた診断駆動型オンライン強化学習
オフライン事前知識の活用が強化学習に不可欠となる一方、その有効性は環境や学習過程で変化するため、単一の管理手法は最適でないと主張し、展開固有の証拠に基づく診断駆動型の緊張管理への転換を提案する論文。
原題: Beyond One-Size-Fits-All: Diagnosis-Driven Online Reinforcement Learning with Offline Priors / Guozheng Ma, Lu Li, Zilin Wang 他
日本語で読む → - 論文視覚追跡画像認識
統一空間意味プロンプトによる身体化視覚追跡と潜在ダイナミクス学習
身体化視覚追跡において、言語のみのターゲット指示では曖昧さが生じる問題を解決するため、空間的・意味的プロンプトを統合したフレームワークUSSを提案し、実ロボット実験で有効性を示した。
原題: USS: Unified Spatial-Semantic Prompts for Embodied Visual Tracking with Latent Dynamics Learning / Yuchen Xie, Xinyu Zhou, Kuangji Zuo 他
日本語で読む → - 論文3次元シーン補完画像認識
3次元シーン補完のための深層学習アプローチ:幾何モデリングから生成的パラダイムへ
2016年から2026年までの3次元シーン補完に関する深層学習研究を体系的にレビューし、表現パラダイムの進化を分類・整理した論文。
原題: Deep Learning Approaches for 3D Medical Scene Completion: From Geometric Modeling to Generative Paradigms / Afifa Khaled, Said Jadid Abdulkadir, Majdy Mohamed Eltayeb Eltahir
日本語で読む → - 論文ワールドモデル画像認識
自己進化型ワールドモデルのための反事実的制御可能性を備えた自律ビデオ生成
ビデオ生成モデルを自己進化型ワールドモデルへ発展させるため、介入条件付き未来生成、身体性制約への結合、分布シフト下での検証、生存ブランチの蒸留からなる4段階閉ループ最適化と対応する評価指標を提案した。
原題: Autonomous Video Generation with Counterfactual Controllability for Self-Evolving World Models / Xin Wang, Wenxuan Liu, Tongtong Feng 他
日本語で読む → - 論文最適化/通信AI
エージェント型AIによるポリシー駆動物理層システムの二段階長期最適化
ネットワーク運用者のポリシー変化やリアルタイム制約に対応するため、エージェント型AIを用いた二段階最適化フレームワークを提案し、セルフリーMIMOビームフォーミングで長期性能を57.2%向上させた。
原題: Agentic AI for Bilevel Long-Term Optimization of Policy-Driven Physical Layer Systems / Bingnan Xiao, Chenhao Yang, Wei Ni 他
日本語で読む → - 論文制御math.OC
時間スケール分離による準最適・低次元MPC
最適化の反復回数を制限し、低次元モデルを用いることでリアルタイム性を確保する非線形MPCの枠組みを提案し、十分に速いサンプリングで閉ループの安定性を保証する。
原題: Suboptimal and Reduced-Order MPC via Timescale Separation / Stefano Di Gregorio, Guido Carnevale, Giuseppe Notarstefano
日本語で読む → - 論文モデル予測制御制御
将来情報を考慮したMDPのMPCによる解法
将来情報を含むMDPに対して、パラメータ化されたMPCが最適方策を表現できる構造的条件を示し、RLでパラメータを学習する手法を提案した。
原題: Solving Markov Decision Processes with Future Information via MPC / Shambhuraj Sawant, Akhil S Anand, Dirk Reinhardt 他
日本語で読む → - 論文画像フォレンジック画像認識
ForensicsTok: フォレンジック誘導トークン化モデリングによる画像改ざん位置特定
画像改ざん位置特定を自己回帰シーケンス生成として再構成し、トークンを直接マスクに変換する新しいデコーダと階層的専門家融合を導入して、MLLMベースの手法の精度を向上させた。
原題: ForensicsTok: Forensics-Guided Tokenized Modeling for Image Tampering Localization / Lei Xu, Haowei Wang, Shen Chen 他
日本語で読む → - 論文画像編集画像認識
EPEdit:生成AIとユーザー中心設計による画像編集の再定義
画像編集のためのアプリケーションEPEditを提案。Stable Diffusionベースのゼロショット編集アルゴリズムを用い、追加のファインチューニングなしで多様な編集タスクを実現する。
原題: EPEdit: Redefining Image Editing with Generative AI and User-Centric Design / Hoang-Phuc Nguyen, Dinh-Khoi Vo, Trong-Le Do 他
日本語で読む → - 論文遠隔操作制御
人間らしいエンドエフェクタ遠隔操作のための人機共有制御
遠隔操作ロボットアームの動作を人間の手の動きの特性(2/3乗則)に合わせてリアルタイムに補正し、操作者の意図を保ちつつ人間らしい軌道を生成する手法を提案・実機検証した。
原題: Human-Robot Shared Control for Humanized End-Effector Teleoperation / Batool Ibrahim, Imad H. Elhajj, Daniel Asmar 他
日本語で読む → - 論文物体検出画像認識
VistaRef: 指差し物体検出のための視覚的空間方位認識の強化
指差しジェスチャーによる物体検出の精度を高めるため、手の姿勢エンコーディングと幾何学的レイモデリングを導入し、空間方位認識を明示的に強化するフレームワークを提案した。
原題: VistaRef: Boosting Visual Spatial Orientation Awareness for Pointing-to-Object Detection / Ling Li, Zhizhen Cai, Xinkun Wu 他
日本語で読む → - 論文LLMエージェント安全性cs.SE
AutoSpec: 帰納論理プログラミングによるLLMエージェントの安全ルール進化
LLMエージェントの安全性を高めるため、専門家が設計したルールをユーザーの安全/不安全アノテーションから自動的に進化させるフレームワークAutoSpecを提案。反例誘導合成と帰納論理プログラミングを用いて、解釈可能なルールを精度と再現率のバランスを保ちながら生成する。
原題: AutoSpec: Safety Rule Evolution for LLM Agents via Inductive Logic Programming / Pingchuan Ma, Zhaoyu Wang, Zimo Ji 他
日本語で読む → - 論文VLA画像認識
AIR: MLLMにおけるコードを用いた適応的インターリーブ推論
マルチモーダル大規模言語モデルに、コードを介した数値計算タスクの適応的推論能力を強化学習で付与する手法を提案。
原題: AIR: Adaptive Interleaved Reasoning with Code in MLLMs / Cong Han, Xiaohan Lan, Haibo Qiu 他
日本語で読む → - 論文動画表現学習画像認識
P-JEPA: 手続き動画のための関節埋め込み予測アーキテクチャによる表現学習
長時間の手続き動画を理解するため、フレーム整列された行動空間への密な予測とマスク潜在ベクトルのプーリングにより、30分超の動画を扱えるバックボーン非依存の表現学習手法P-JEPAを提案した。
原題: P-JEPA: Procedural Video Representation Learning via Joint Embedding Predictive Architecture / Felix Tristram, Stefano Gasperini, Benjamin Killeen 他
日本語で読む → - 論文HOI生成画像認識
ポリシーをデータとして:シミュレーション物理から一般化可能なHOI拡散モデルを学習する
物理シミュレータで強化学習により訓練したポリシーを用いてタスク指向のデータを生成し、そのデータで拡散モデルを訓練することで、未見物体への一般化と長期的な物理整合性を持つ人間-物体インタラクション生成を実現する。
原題: Policy-as-Data: Learning Generalizable HOI Diffusion Models from Simulated Physics / Shujia Li, Jianshu Hu, Haiyu Zhang 他
日本語で読む → - 論文ディープフェイク検出画像認識
LoCC: 反事実フレーム整合性によるリップシンクディープフェイクの検出と位置特定
リップシンクディープフェイクの検出と位置特定を行う新しいフレームワークLoCCを提案。時間的近傍から生成した反事実推定との整合性を評価し、フレームレベルの不一致を捉える。
原題: LoCC: Detection and Localization of Lip-Syncing Deepfakes via Counterfactual Frame Consistency / Soumyya Kanti Datta, Shan Jia, Siwei Lyu
日本語で読む → - 論文画像生成画像認識
速度編集による安全な少数ステップ生成
フローマッチングを用いたテキスト画像生成において、安全条件付き後方分布に基づいて速度場を直接編集し、プロンプトを変えずに安全な出力へ軌道を誘導するトレーニング不要の手法VESFlowを提案した。
原題: Safe Few-Step Generation via Velocity Editing / Yujin Choi, Jaehong Yoon
日本語で読む → - 論文VLA/セキュリティ機械学習
信頼された想像への攻撃:想像してから行動する世界モデルに対するオラクルレベルの整合性攻撃
想像してから行動するVLAポリシーにおいて、世界行動モデルが生成する未来の潜在軌道を攻撃対象とし、観測摂動による非標的破壊が容易であることを示し、パラメータフリーの検出器を提案した。
原題: Attacking the Trusted Imagination: Oracle-Level Integrity Attacks on Imagine-then-Act World Models / Linghan Chen, Kaiyan Ji, Minyu Guo
日本語で読む → - 論文インタラクション生成画像認識
IMAGIN-4D: 画像誘導による制御可能なインタラクション生成
参照画像を用いて人間と物体のインタラクション生成の曖昧さを解消する拡散モデルを提案。画像条件を空間的・時間的に分解し、役割別の条件付けで制御性を高めた。
原題: IMAGIN-4D: Image-Guided Controllable Interaction Generation / Sai Kumar Dwivedi, Federica Bogo, Buğra Tekin 他
日本語で読む → - 論文VQA/接地型推論画像認識
学習可能なプロキシトークンによる忠実な接地型視覚推論
マルチモーダル大規模言語モデルにおいて、座標ではなく学習可能なプロキシトークンで画像領域を指し示す新しい接地機構を提案し、推論の一貫性と接地精度を向上させた。
原題: Faithful Grounded Visual Reasoning via Learned Proxy-Tokens / Tom Hodemon, Mohamed Chaouch, Aboubacar Tuo 他
日本語で読む → - 論文AI安全性/説明可能性機械学習
見えざる手:標的型アイデンティティ再関連付け攻撃によるモデル公平性とSHAPの操作
機械学習モデルの公平性監査や説明可能性手法が、保護属性の影響を隠す巧妙な攻撃に対して脆弱であることを示し、モデル内部にアクセスせずに出力を操作する新たな攻撃手法を提案した。
原題: The Unseen Hand: Manipulating Model Fairness and SHAP with Targeted Identity Re-Association Attacks / Sannaan Khan, Muhammad U. S. Khan
日本語で読む → - 論文画像生成cs.GR
変換ロータリー位置埋め込み拡張拡散モデルによる制御可能なテクスチャタイリング
拡散トランスフォーマーを用いて、ユーザー指定のテクスチャをシーン画像に繰り返し配置する際に、周波数・向き・スケールを精密に制御しつつ、参照テクスチャの構造とシーンの照明・幾何を保つ新しいフレームワークを提案した。
原題: Controllable Texture Tiling with Transformed RoPE-Enhanced Diffusion Models / Junrong Huang, Zhiyuan Zhang, Rui Tang 他
日本語で読む →
PR・アフィリエイト広告
