Movilidad Infinita: Síntesis Escalable de Alta Fidelidad de Objetos Articulados mediante Generación Procedural

Infinite Mobility: Scalable High-Fidelity Synthesis of Articulated Objects via Procedural Generation

March 17, 2025

Autores: Xinyu Lian, Zichao Yu, Ruiming Liang, Yitong Wang, Li Ray Luo, Kaixu Chen, Yuanzhen Zhou, Qihong Tang, Xudong Xu, Zhaoyang Lyu, Bo Dai, Jiangmiao Pang

cs.AI

Resumen

Se necesitan urgentemente objetos articulados a gran escala y de alta calidad para múltiples tareas relacionadas con la IA encarnada. La mayoría de los métodos existentes para crear objetos articulados son basados en datos o en simulación, los cuales están limitados por la escala y calidad de los datos de entrenamiento o por la fidelidad y el intenso trabajo de la simulación. En este artículo, proponemos Infinite Mobility, un método novedoso para sintetizar objetos articulados de alta fidelidad mediante generación procedural. Un estudio de usuario y una evaluación cuantitativa demuestran que nuestro método puede producir resultados que superan a los métodos actuales más avanzados y son comparables a conjuntos de datos anotados por humanos tanto en propiedades físicas como en calidad de malla. Además, mostramos que nuestros datos sintéticos pueden utilizarse como datos de entrenamiento para modelos generativos, permitiendo una ampliación en el siguiente paso. El código está disponible en https://github.com/Intern-Nexus/Infinite-Mobility.

English

Large-scale articulated objects with high quality are desperately needed for multiple tasks related to embodied AI. Most existing methods for creating articulated objects are either data-driven or simulation based, which are limited by the scale and quality of the training data or the fidelity and heavy labour of the simulation. In this paper, we propose Infinite Mobility, a novel method for synthesizing high-fidelity articulated objects through procedural generation. User study and quantitative evaluation demonstrate that our method can produce results that excel current state-of-the-art methods and are comparable to human-annotated datasets in both physics property and mesh quality. Furthermore, we show that our synthetic data can be used as training data for generative models, enabling next-step scaling up. Code is available at https://github.com/Intern-Nexus/Infinite-Mobility