Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 16 сентября 2026 года] Название: PointZero: 3D Post Forceflow for Learnable ThreeD Dymologies View PDF HTML (экспериментальное) Резюме: World Models andow perceptual systems, c тем чтобы предсказывать развитие сцен в рамках взаимодействия. Они приносят наибольшую пользу, когда они обучаются различным объемам данных для того, чтобы приобщить богатого человека к применению в низовьях. Существующие методы, как правило, требуют маркировки действий роботов для изучения трехмерной динамики с учетом конкретных обстоятельств, что исключает видеоматериалы из учебного пула. Мы изучаем завершение 3D точечного трека в качестве предварительной цели для обучения переносимой 3Д динамики без данных роботов. С учетом одного наблюдения RGB-D и незначительной части трёхмерной траектории (пути), мы предсказываем в будущем 3Д треков всех наблюдаемых точек. Мы показываем, что эта цель генерирует богатую трехмерную динамику до этого, не требуя маркировки действий роботов. Мы поставляем множество данных в количестве 2,9 млн. синтетических систем, охватывающих деформируемые, сочлененные и жесткие объекты, и используем их для обучения PointZerо. Мы показываем, что гибкий и экспрессивный трансформатор PinkZero превосходит предыдущие методы на тех же данных. Мы демонстрируем полезность нашей предварительной учебной цели, с помощью программы " PointZerо &qу для двух прикладных программ на местах: 1) прогнозирование 3D…
PointZerо: завершение 3D-потока для передачи 3D динамики
arXiv:2609.19142v1 Annuate Type: New Habrial: World Models Endow Insepuctional Systems, c тем чтобы предсказать как сцены развиваются в условиях взаимодействия. Они приносят наибольшую пользу, когда они обучаются различным объемам данных для того, чтобы приобщить богатого человека к применению в низовьях. Существующие методы, как правило, требуют маркировки действий роботов для изучения трехмерной динамики с учетом конкретных обстоятельств, что исключает видеоматериалы из учебного пула. Мы изучаем завершение 3D точечного трека в качестве предварительной цели для обучения переносимой 3Д динамики без данных роботов. С учетом одного наблюдения RGB-D и незначительной части трёхмерной траектории (пути), мы предсказываем в будущем 3Д треков всех наблюдаемых точек. Мы показываем, что эта цель генерирует богатую трехмерную динамику до этого, не требуя маркировки действий роботов. Мы поставляем множество данных в количестве 2,9 млн. синтетических систем, охватывающих деформируемые, сочлененные и жесткие объекты, и используем их для обучения PointZerо. Мы показываем, что гибкий и экспрессивный трансформатор PointZerо превосходит меня.