KineDiff3D：面向类别级关节物体形状重建与生成的运动学感知扩散模型
机器学习
2025-10-21 v1
摘要
关节物体，如笔记本电脑和抽屉，因其多部件几何和可变关节配置而在3D重建和姿态估计方面面临重大挑战，这些因素在不同状态下引入结构多样性。为解决这些挑战，我们提出KineDiff3D：面向类别级关节物体形状重建与生成的运动学感知扩散模型，是一个统一框架，用于从单视图输入中重建多样化关节实例和姿态估计。具体而言，我们首先通过一种新颖的运动学感知变分自编码器（KA-VAE）将完整几何（SDF）、关节角度和部件分割编码到结构化潜在空间中。此外，我们采用两个条件扩散模型：一个用于回归全局姿态（SE(3)）和关节参数，另一个用于从部分观察中生成运动学感知潜在代码。最后，我们产生一个迭代优化模块，通过 Chamfer 距离最小化在重建精度和关节参数之间实现双向细化，同时保持关节约束。在合成数据、准合成数据和真实世界数据集上的实验结果表明，我们的方法在准确重建关节物体和估计其运动学属性方面具有有效性。
引用
@article{arxiv.2510.17136,
title = {In-situ Autoguidance: Eliciting Self-Correction in Diffusion Models},
author = {Enhao Gu and Haolin Hou},
journal= {arXiv preprint arXiv:2510.17136},
year = {2025}
}
备注
6 pages, 3 figures. ICML 2025 Workshop submission