FAMOS 模型实现稀疏观测 3D 铰接建模
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从稀疏点云直接预测
FAMOS 要解决的问题是：只给少量单目视角时，物体每个部分只露出局部几何与运动线索，难以还原可动结构。多数前馈方法只凭一次观测推断关节，因而高度依赖学到的类别级形状先验。FAMOS 改为接收一组稀疏、无序的部分点云，直接输出可动部件的分割结果与关节参数，把多视角证据放在同一个模型里一起处理。输入数量可以变化，单张视角也能运行，这使它在观测不完整时仍能给出结果，而不必先补齐完整网格。
交替注意力聚合线索
为把分散在各次观测里的关节线索汇总起来，作者设计了 Multi-state Articulation Transformer，在状态维度与全局范围之间交替施加注意力。配套提出的 observed articulation span 目标，用来监督每个部件在输入观测中呈现出的运动幅度，促使模型用满整组观测而不是只盯住其中一帧。这两处设计针对的是同一件事：让稀疏、无序的输入在推理时被真正利用起来，而不是退化成单帧推断。与依赖类别先验的单观测前馈方案相比，它的信息来源从一次观测扩展到一组观测。
合成数据补足训练
现有数据集在规模和多样性上都有限，作者因此引入一个程序化数据生成器，在训练过程中合成自带标注的资产，用这些合成样本来扩充训练信号。评测在 PartNet-Mobility、ACD 与 ArtiCraft-10K 三个数据集上进行，结果显示该方法相对前馈类与基于优化的基线都取得了一致提升。这说明合成数据与多观测聚合的组合，在真实标注稀缺的条件下仍能支撑关节建模。
适用范围与限制
从材料给出的信息看，FAMOS 的输入是稀疏、无序的部分点云集合，输出是可动部件分割与关节参数，属于前馈式的一次推理，不需要针对单个物体做逐例优化。它的适用前提是观测能覆盖到部件及其运动，观测越少、遮挡越多，可用的运动证据就越薄；span 目标正是为缓解这一点而设。对需要从少量视角快速得到关节结构的场景，这意味着不必先重建完整几何再拟合关节；但材料未给出推理耗时、精度数值与失败案例，具体边界仍需看论文全文与项目页。
为什么值得看
解决了从稀疏视角推断物体运动结构的难题，提升了机器人对环境的理解能力。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。