SceneRig 用单张图像重建可直接用于仿真的三维场景
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，非原文转载从单图到可仿真场景
SceneRig 要解决的问题是：机器人仿真需要大量多样且可直接使用的场景，而规模化搭建这类场景并不容易。从单张图像重建是一条可行路径，但仅有视觉相似度并不够——场景中的物体必须被识别出来、摆到正确位置，并且具备物理上的合理性。论文指出，依赖事后物理沉降的现有方法常把物体放错位置，得到的场景外观正确，但在被操作时表现很差。SceneRig 的思路是把几何、视觉和物理三类工具组合起来，先重建出忠实于输入的三维场景，再让 agent 在物理仿真器内部反复执行编辑与验证，直到场景达到物理稳定。
效果与机器人下游验证
在多种输入下，SceneRig 改善了实例分割、以物体为中心的外观以及三维摆放，同时让重建场景保持物理稳定。更关键的是下游机器人方面的验证：SceneRig 生成的场景在预测真实机器人策略执行结果时比基线方法更准确，并且能更可靠地支持对已录制操作的回放，而不需要为回放调整轨迹。这两点说明该系统的价值不止于视觉还原，还体现在场景能否支撑策略评估与操作复现这类实际用途上。
发表情况
该论文被 CoRL 2026 Agentic Robotics Workshop 接收，作者为 Rundong Luo、Yunong Liu、Di Cao、Matthew Tancik、Shyamal Buch、Colton Stearns、Wenqi Xian 共七人，主题归类涉及机器人学、人工智能与计算机视觉。材料未披露模型规模、训练数据量、推理耗时或代码与权重的开放安排，因此这些方面暂无法判断。
为什么值得看
单图重建从「看起来像」推进到「能稳定交互」，并给出真机策略预测与操作回放的验证，对机器人仿真数据生产有直接参考价值。
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。