Haibin Huang
Institute of Artificial Intelligence (TeleAI), China Telecom
収録論文 10本 ・ フィジカルAI/ロボット学習
※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。
論文
- サイクル整合性で行動と映像を結びつけるCycle WAMVLA2026/11/3
行動と映像の双方向変換にサイクル再構成損失を導入し、事前学習済み映像モデルの知識を活かして順・逆ダイナミクスを統合的に学習する手法を提案した論文。
- FutureDuet: 未来予測監督における観測アクセスの分離VLA2026/9/28
ロボットの行動生成において、メインカメラと手首カメラで異なる未来予測目標を与えることで、精密な操作タスクの成功率を向上させた研究。
- TourPhysics: 物理を世界モデルに導入し、単一画像からの探索と操作を実現世界モデル2026/9/4
単一画像と物理設定から初期化し、シミュレーションとビデオ生成を組み合わせて、長期的な物理的一貫性を保ちながら探索と操作を行うオンラインフレームワークを提案する。
- CineWeaver: トレーニング不要で参照制御可能なマルチショット長編映像生成による映画的ストーリーテリング映像生成2026/7/29
事前学習済みの動画拡散モデルを用いて、再学習なしで複数ショットからなる長編映像を生成する統一フレームワークを提案。位置エンコーディングとアテンション操作で時間的連続性を断ち、ショットごとの参照制御と長期記憶機構を導入した。
- 世界行動モデルから具現化された脳へ:オープンワールド物理知能へのロードマップVLA2026/7/1
本論文は、物理世界で推論・行動できる汎用AIの実現に向けて、世界行動モデル(WAM)の進化を概観し、モデル役割・標準化・システム構成の3つのギャップを整理した上で、具現化された脳を中心とした共進化ロードマップを提案している。
- PhysOmni: 単一画像からの物理基盤マルチオブジェクトシーン生成とリアルタイムインタラクションシーン生成2026/5/19
単一画像から物理的に一貫性のある3Dシーンを再構成し、リアルタイムで操作可能なビデオを生成するトレーニング不要のフレームワークを提案。
- 自己教師ありカテゴリレベル物体姿勢・サイズ推定に向けて姿勢推定2022/3/1
単一深度画像からカテゴリレベルの物体姿勢とサイズを、正解ラベルなしで推定する自己教師あり手法を提案。テンプレートメッシュの変形・位置合わせと微分可能レンダリングによる幾何整合性で学習する。
- RGBD画像からの6D姿勢推定のための双方向融合ネットワークFFB6D6D姿勢推定2021/3/1
RGBと深度の情報をエンコーダ・デコーダの全層で双方向に融合し、テクスチャと形状を考慮した3Dキーポイント選択で単一RGBD画像からの6D姿勢推定精度を大幅に向上させた論文。
- SAM: 操舵指令条件付き視覚運転ポリシー学習のためのSqueeze-and-Mimicネットワーク自動運転/模倣学習2019/12/1
意味情報や物体アフォーダンスのサイドタスク注釈を入力に使うsqueezeネットワークで運転に有用な表現を学習し、画像のみで運転するmimicネットワークをその潜在表現で教師あり学習する手法を提案。CARLAで交通規則を考慮した評価も導入した。
- PVN3D:6DoF姿勢推定のための深層点単位3Dキーポイント投票ネットワーク6DoF姿勢推定2019/11/1
単一のRGBD画像から物体の3DキーポイントをHough投票で検出し、最小二乗フィッティングで6DoF姿勢を推定する手法を提案した論文。
