Mobilità Infinita: Sintesi Scalabile ad Alta Fedeltà di Oggetti Articolati tramite Generazione Procedurale

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

March 17, 2025

Autori: 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

Abstract

Gli oggetti articolati su larga scala e di alta qualità sono estremamente necessari per molteplici attività legate all'AI incarnata. La maggior parte dei metodi esistenti per creare oggetti articolati sono basati su dati o simulazioni, che sono limitati dalla scala e dalla qualità dei dati di addestramento o dalla fedeltà e dal lavoro intensivo della simulazione. In questo articolo, proponiamo Infinite Mobility, un metodo innovativo per sintetizzare oggetti articolati ad alta fedeltà attraverso la generazione procedurale. Uno studio con utenti e una valutazione quantitativa dimostrano che il nostro metodo può produrre risultati che superano gli attuali metodi all'avanguardia e sono paragonabili ai dataset annotati manualmente sia per le proprietà fisiche che per la qualità delle mesh. Inoltre, mostriamo che i nostri dati sintetici possono essere utilizzati come dati di addestramento per modelli generativi, consentendo un'ulteriore scalabilità. Il codice è disponibile all'indirizzo 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