Mobilidade Infinita: Síntese Escalável de Alta Fidelidade de Objetos Articulados via Geração 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

Resumo

Objetos articulados em grande escala e de alta qualidade são extremamente necessários para múltiplas tarefas relacionadas à IA incorporada. A maioria dos métodos existentes para criar objetos articulados são baseados em dados ou em simulação, os quais são limitados pela escala e qualidade dos dados de treinamento ou pela fidelidade e o trabalho intensivo da simulação. Neste artigo, propomos o Infinite Mobility, um método inovador para sintetizar objetos articulados de alta fidelidade por meio de geração procedural. Estudos com usuários e avaliações quantitativas demonstram que nosso método pode produzir resultados que superam os métodos atuais de ponta e são comparáveis a conjuntos de dados anotados por humanos tanto em propriedades físicas quanto em qualidade de malha. Além disso, mostramos que nossos dados sintéticos podem ser usados como dados de treinamento para modelos generativos, permitindo a ampliação para o próximo passo. O código está disponível em 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