Shuhong Zheng
収録論文 7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
- Flex-RSI:フロンティアエージェントの再帰的自己改善ベンチマークエージェント自己改善2026/11/6
エージェントが固定予算下で自身のハーネス(プロンプト・ツール・記憶・制御ループ)を改善し、視覚・ロボティクス課題の性能を再帰的に高められるかを評価するベンチマークを提案した。
- 聞くことが容易になるとき:視覚的手がかりを除去してショートカットのないVLAを実現VLA2026/10/7
視覚言語行動モデルにおける視覚的ショートカット学習を分析し、言語情報への注意を高める新しいドメイン敵対的訓練手法「タスクスクラビング」を提案して、分布外ロバスト性を改善した。
- 良いトークンの狩り方:視覚幾何学トランスフォーマーにおけるトークン選択の手引き3D再構成2026/5/1
視覚幾何学トランスフォーマーの計算コストを削減するため、フレーム間・フレーム内の2段階でトークンを選択する手法を提案し、精度を保ちつつ85%以上の高速化を実現した。
- 追跡・修復・再スプラット:被写体駆動型3D/4D生成のための漸進的テクスチャ補完3D/4D生成2025/10/1
既存の3D生成モデルが作った3Dアセットに対し、動画トラッキングで修正領域を特定し、被写体駆動型の2Dインペインティングで段階的に補完した後、再スプラッティングで3Dに戻すことで、特定被写体の同一性を保った3D/4D生成を実現する手法を提案。
- Diff-2-in-1:拡散モデルによる生成と高密度知覚の橋渡し拡散モデル2024/11/1
拡散モデルの脱ノイズ過程を活用し、マルチモーダルデータ生成と高密度視覚知覚を同時に扱う統合フレームワークを提案。生成データを自己改善学習に用いることで、様々な知覚バックボーンの性能を向上させる。
- Lexicon3D: 複雑な3Dシーン理解のための視覚基盤モデルを探る3Dシーン理解2024/9/1
画像・動画・3Dの視覚基盤モデル7種を4つの3Dシーン理解タスクで比較評価し、各モデルの強みと弱みを明らかにした研究。
- 3D-LLM:3次元世界を大規模言語モデルに注入する3D-LLM2023/7/1
3D点群を入力とし、キャプション生成や3D質問応答、ナビゲーションなど多様な3Dタスクを実行できる3D-LLMを提案。300k以上の3D言語データを収集し、2D VLMをバックボーンに訓練することで、空間情報をより良く捉える。
