Бесконечная подвижность: масштабируемый синтез высококачественных моделей сочленённых объектов с помощью процедурной генерации

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

March 17, 2025

Авторы: 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

Аннотация

Крупномасштабные сочлененные объекты высокого качества крайне необходимы для множества задач, связанных с воплощенным искусственным интеллектом. Большинство существующих методов создания сочлененных объектов либо основаны на данных, либо на симуляции, что ограничивается масштабом и качеством обучающих данных или точностью и трудоемкостью симуляции. В данной статье мы предлагаем Infinite Mobility — новый метод синтеза высококачественных сочлененных объектов с помощью процедурной генерации. Пользовательское исследование и количественная оценка показывают, что наш метод позволяет получать результаты, превосходящие современные методы и сопоставимые с наборами данных, аннотированными человеком, как по физическим свойствам, так и по качеству сетки. Кроме того, мы демонстрируем, что наши синтетические данные могут использоваться в качестве обучающих данных для генеративных моделей, что позволяет масштабировать процесс на следующий этап. Код доступен по адресу 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