FastGrasp: Efficient Grasp Synthesis with Diffusion

要約

人間の手と物体の相互作用を効果的にモデル化することは、複雑な物理的制約とアプリケーションにおける高い生成効率の要件により困難です。
従来のアプローチでは、多くの場合、計算集約型の 2 段階アプローチが採用されており、まず接触マップなどの中間表現を生成し、その後、手とオブジェクトの関係を捕捉するために手のメッシュを更新する反復的な最適化手順が続きます。
ただし、最適化段階での計算の複雑さが高いため、このような戦略では推論効率が低いことがよくあります。
この制限に対処するために、この研究では、把握ポーズを 1 段階で生成する新しい拡散モデル ベースのアプローチを導入しています。
これにより、生成速度と生成される手のポーズの多様性が大幅に向上します。
特に、物体条件付き手のポーズ生成と、手と物体の間の物理的制約を強制する接触認識損失のための適応モジュールを備えた潜在拡散モデルを開発します。
広範な実験により、私たちの方法が最先端のアプローチよりも高速な推論、より高い多様性、および優れたポーズ品質を達成できることが実証されています。
コードは \href{https://github.com/wuxiaofei01/FastGrasp}{https://github.com/wuxiaofei01/FastGrasp.} で入手できます。

要約(オリジナル)

Effectively modeling the interaction between human hands and objects is challenging due to the complex physical constraints and the requirement for high generation efficiency in applications. Prior approaches often employ computationally intensive two-stage approaches, which first generate an intermediate representation, such as contact maps, followed by an iterative optimization procedure that updates hand meshes to capture the hand-object relation. However, due to the high computation complexity during the optimization stage, such strategies often suffer from low efficiency in inference. To address this limitation, this work introduces a novel diffusion-model-based approach that generates the grasping pose in a one-stage manner. This allows us to significantly improve generation speed and the diversity of generated hand poses. In particular, we develop a Latent Diffusion Model with an Adaptation Module for object-conditioned hand pose generation and a contact-aware loss to enforce the physical constraints between hands and objects. Extensive experiments demonstrate that our method achieves faster inference, higher diversity, and superior pose quality than state-of-the-art approaches. Code is available at \href{https://github.com/wuxiaofei01/FastGrasp}{https://github.com/wuxiaofei01/FastGrasp.}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google