ArtLLM: Generating Articulated Assets via 3D LLM
本論文は、大規模な可動性データセットで学習された 3D 多モーダル大規模言語モデル「ArtLLM」を提案し、3D メッシュから可動アセットの部品配置と関節構造を推論して高品質な幾何形状を生成する新たなフレームワークを確立し、既存手法の限界を克服してロボティクスやシミュレーション向けにスケーラブルなデジタルツイン構築を実現することを示しています。
👁️ Category
cs.CV
6813 件の論文
TC-SSA: Token Compression via Semantic Slot Aggregation for Gigapixel Pathology Reasoning
本論文は、ギガピクセル病理画像の計算的ボトルネックを解決するため、スパースなルーティングと重み付き集約を用いて診断的に重要な情報を保持しつつトークン数を大幅に削減する学習可能な「TC-SSA」フレームワークを提案し、SlideBench や TCGA などのベンチマークでサンプリングベースの手法を上回る性能を達成したことを示しています。
ConVibNet: Needle Detection during Continuous Insertion via Frequency-Inspired Features
本研究は、超音波画像における針の視認性の低さや連続的な挿入中の追跡課題を解決するため、時間的依存関係をモデル化し新たな損失関数を導入したリアルタイム針検出フレームワーク「ConVibNet」を提案し、既存手法よりも高い精度で針の先端位置と角度を推定できることを実証したものである。
D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping
本論文は、ガウススプラット表現を用いた微分可能な実世界からシミュレーション、そして再び実世界へのエンジン「D-REX」を提案し、実世界の視覚観測とロボット制御信号から物体の質量を同定して高精度なデジタルツインを構築するとともに、限られたデータから力覚を考慮した把持ポリシーを学習することで、シミュレーションと実世界のギャップを効果的に埋めることを示しています。
GRAD-Former: Gated Robust Attention-based Differential Transformer for Change Detection
本論文は、高解像度リモートセンシング画像における変化検出の課題を解決するため、適応的特徴関連性・洗練（AFRAR）モジュールやゲーティング機構、差分アテンションを導入し、既存の最先端モデルを凌ぐ精度を少ないパラメータ数で達成する新しいフレームワーク「GRAD-Former」を提案するものである。
BeautyGRPO: Aesthetic Alignment for Face Retouching via Dynamic Path Guidance and Fine-Grained Preference Modeling
本論文は、人間の美的嗜好に合わせた顔のレタッチを実現するため、微細な好みを評価できる報酬モデルと、確率的な探索と高忠実度を両立させる動的経路誘導（DPG）を導入した強化学習フレームワーク「BeautyGRPO」を提案し、既存手法を上回る画質と美的整合性を達成したことを報告するものです。
FREE-Edit: Using Editing-aware Injection in Rectified Flow Models for Zero-shot Image-Driven Video Editing
本論文は、編集領域に応じた注入強度を動的に制御する「編集意識注入（REE）」手法を提案し、これを Rectified Flow モデルに組み込むことで、微調整なしに高品質なゼロショット画像駆動型動画編集を実現する「FREE-Edit」フレームワークを構築したものである。
TripleSumm: Adaptive Triple-Modality Fusion for Video Summarization
本論文は、動画要約におけるモダリティの動的な重要性をフレームレベルで適応的に統合する「TripleSumm」アーキテクチャと、3 つのモダリティを備えた大規模ベンチマーク「MoSu」を提案し、既存手法を大幅に上回る性能を達成したことを示しています。
VP-Hype: A Hybrid Mamba-Transformer Framework with Visual-Textual Prompting for Hyperspectral Image Classification
本論文は、高次元スペクトルデータとラベル不足という課題に対処するため、線形時間の効率性と関係性モデルを統合したハイブリッド Mamba-Transformer 構造と視覚・テキスト双方向プロンプトを導入し、少量の学習データで hyperspectral 画像分類において最先端の精度を達成する VP-Hype 枠組みを提案しています。
RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations
本論文は、部分的な 2D 観測から可視領域の復元と不可視領域の生成を統合的に実行し、リアルタイムで高品質な完全 3D 表現を出力する新しい Transformer モデル「RnG」を提案するものである。
VisNec: Measuring and Leveraging Visual Necessity for Multimodal Instruction Tuning
本論文は、マルチモーダル指令微調整の効率と堅牢性を向上させるため、視覚情報の必要性を定量化して高品質なデータサブセットを選択するフレームワーク「VisNec」を提案し、LLaVA-665K の 15% のデータでフルデータ並みの性能、Vision-Flan-186K ではそれを上回る性能を達成することを示しています。
CoSMo3D: Open-World Promptable 3D Semantic Part Segmentation through LLM-Guided Canonical Spatial Modeling
本論文は、LLM 支援によるカテゴリー間・カテゴリー内アライメントと二重ブランチ構造を用いて入力座標系から物体の機能的役割を捉える正準空間表現を学習し、オープンワールドにおける 3D セマンティックな部分セグメンテーションの精度と転移性を大幅に向上させる「CoSMo3D」を提案しています。
Monocular 3D Object Position Estimation with VLMs for Human-Robot Interaction
本論文は、手首に取り付けられたカメラからの単眼画像と自然言語入力を基に、事前学習済みビジョン・言語モデル（VLM）を QLoRA により微調整し、人間とロボットの対話に適した 3 次元物体位置推定を実現する手法を提案し、その有効性を示したものである。
Towards Policy-Adaptive Image Guardrail: Benchmark and Method
この論文は、既存の視覚言語モデルが安全ポリシーの変化に追従できない課題を解決するため、多様なポリシー下での一般化性能を評価する新しいベンチマーク「SafeEditBench」を提案し、検証可能な報酬を用いた強化学習手法「SafeGuard-VL」を開発して、動的に変化する安全ポリシーに適応する画像ガードレールの実現を目指したものです。
AgilePruner: An Empirical Study of Attention and Diversity for Adaptive Visual Token Pruning in Large Vision-Language Models
本論文は、大規模視覚言語モデルにおける視覚トークン剪定手法の分析を通じて、アテンションと多様性の特性を解明し、画像の複雑さに応じて適応的に調整する「AgilePruner」を提案することで、性能と幻覚抑制の両立を実現したものです。
The MAMA-MIA Challenge: Advancing Generalizability and Fairness in Breast MRI Tumor Segmentation and Treatment Response Prediction
MAMA-MIA チャレンジは、米国と欧州の多施設データを用いて乳房 MRI 画像の腫瘍セグメンテーションと治療反応予測のモデルを評価し、汎用性と公平性の向上を促進する大規模なベンチマークを提供するものである。
Cross-Modal Guidance for Fast Diffusion-Based Computed Tomography
この論文は、拡散モデルを再学習させることなく、X 線 CT などの補助モダリティを活用して中性子 CT のスパースデータからの高品質な再構成を可能にするクロスモーダルガイダンス手法を提案し、その有効性を検証したものである。
Certifiable Estimation with Factor Graphs
この論文は、シャール緩和とブーア・モンテフィオ因子分解がファクターグラフの構造を保持するという洞察に基づき、既存の成熟したライブラリを用いて安全なロボット状態推定における大規模な凸緩和問題を効率的に解くための統一的なフレームワークを提案しています。
FoSS: Modeling Long Range Dependencies and Multimodal Uncertainty in Trajectory Prediction via Fourier State Space Integration
本論文は、自律走行における軌道予測の課題を解決するため、周波数領域と時間領域を統合し、長距離依存関係とマルチモーダル不確実性を線形時間計算量で効率的にモデル化する新しいフレームワーク「FoSS」を提案し、Argoverse ベンチマークにおいて最先端の精度を達成しながら計算コストとパラメータ数を大幅に削減することを示しています。
Multi-Level Bidirectional Decoder Interaction for Uncertainty-Aware Breast Ultrasound Analysis
本論文は、従来のマルチタスク学習が抱えるタスク間の干渉や硬直的な調整の課題を解決するため、セグメンテーションと分類タスク間の双方向通信を多レベルで実現し、不確実性に基づいて適応的にタスクバランスを制御する新しい乳腺超音波画像解析フレームワークを提案し、複数の公開データセットで高い性能を実証しています。