무한한 이동성: 절차적 생성을 통한 관절형 객체의 확장 가능한 고해상도 합성

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

March 17, 2025

저자: 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

초록

고품질의 대규모 관절형 객체는 구체화된 AI와 관련된 다양한 작업에서 절실히 필요합니다. 기존의 관절형 객체 생성 방법은 대부분 데이터 기반 또는 시뮬레이션 기반으로, 이는 학습 데이터의 규모와 품질 또는 시뮬레이션의 정확도와 많은 노동력에 의해 제한됩니다. 본 논문에서는 절차적 생성을 통해 고품질의 관절형 객체를 합성하는 새로운 방법인 Infinite Mobility를 제안합니다. 사용자 연구와 정량적 평가를 통해 우리의 방법이 현재의 최신 기술을 능가하며, 물리적 속성과 메시 품질 모두에서 인간이 주석을 단 데이터셋과 비교할 만한 결과를 생성할 수 있음을 입증했습니다. 더 나아가, 우리의 합성 데이터가 생성 모델의 학습 데이터로 사용될 수 있으며, 이를 통해 다음 단계의 규모 확장이 가능함을 보여줍니다. 코드는 https://github.com/Intern-Nexus/Infinite-Mobility에서 확인할 수 있습니다.

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