PartNet-Mobility
PulseAugur coverage of PartNet-Mobility — every cluster mentioning PartNet-Mobility across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Artic-O框架实现高效可动对象重建
研究人员开发了Artic-O，一种用于从稀疏图像重建可动对象的新型端到端框架。该方法将几何重建、部件推理和关节估计整合到一个单一、高效的过程中。通过将观测映射到潜在几何空间并利用流匹配解码器，Artic-O可以恢复完整的形状（包括被遮挡的结构），并预测可移动部件和运动参数。该系统在效率方面表现出显著的改进，将推理时间从几分钟缩短到几秒钟，同时在PartNet-Mobility数据集上保持或提高了重建质量和关节精度。
-
新方法使用图补全功能化3D模型
研究人员引入了一项名为“物体功能化”的新任务，旨在将视觉上合理但不可操作的3D模型转换为可物理操作的模型。这是通过将问题表述为使用新的功能图表示的图补全任务来实现的。开发了一个神经图功能化器（GraFu）模型来补全非功能性3D对象的未完成图，然后驱动几何实现阶段添加必要的结构元素和连接器。此过程还可以校正运动数据中的错误，从而产生更具物理合理性的行为。该团队创建了FurFun-233，一个包含233个家具模型的数据库，以支持这项研究。
-
KinemaForge 管道从传感器数据生成精确的数字孪生
研究人员开发了 KinemaForge，这是一个新管道，用于从 RGB-D 传感器数据创建用于仿真的活动对象的数字孪生。该系统联合推断部件几何、关节拓扑和运动学参数，解决了先前将这些方面分开处理的局限性。KinemaForge 还包含一个能量一致的验证器，以确保重建的模型符合物理定律，与现有方法相比，可减少仿真漂移并提高操作成功率。
-
NTU团队从单张图像生成可用于仿真的3D资产
新加坡南洋理工大学（NTU）的研究人员开发了 PhysX-Anything 系统，该系统能够从单张图像生成具有物理模拟能力的3D资产。这项进展超越了仅仅创建视觉上逼真的3D模型，而是能够生成具有准确结构组件、关节关系、材料属性和功能行为的资产。该系统旨在通过自动化从单个输入图像推断物理属性，来显著降低机器人训练、AR/VR应用和工业仿真创建3D资产的成本和精力。
-
新的ATOP方法通过文本和运动个性化来动画化3D对象
研究人员开发了一种名为ATOP（Articulate That Object Part）的新型少样本方法，该方法使用文本提示和运动个性化来动画化静态3D对象。该方法利用扩散模型生成合理的运动样本，然后将这些样本个性化到特定的输入3D对象。该方法微调扩散模型以学习独特的运动标识符，然后将这种个性化运动转移到3D空间以进行关节参数优化。实验表明，与现有方法相比，ATOP在少样本场景下实现了更高的准确性和更好的泛化能力。
-
3D高斯泼溅通过新框架和技术取得进展
研究人员正通过新框架和技术推进3D高斯泼溅（3DGS）。X-GS集成了感知和多模态模型，用于视觉基础和场景描述等任务。其他工作则专注于通过欧拉优化、动静分解和激光雷达引导重建等方法来提高3DGS的效率和质量。新方法还解决了关节物体重建和自主机器人路径规划中的挑战。