未来予測を超えて：ロボット制御のための生成的適応としてのデノイジング

- 事前学習済み generative Diffusion Transformer (DiT) をロボット制御に適応させる手法 NowWAM を提案する研究。 - 未来の視覚予測を介さず、現在の観測を denoise しつつ同じ視覚ストリームから robot actions を予測する future-target-free な co-training 定式化。 - 生成目的と action-facing 表現を denoising trajectory 全体で直接結合する点が特徴。

- 既存の robot policies は generative prior の転移を future visual prediction で実現するのが一般的だった。 - 本研究は future target が本質的に必要かを問い直し、past/future の視覚ターゲットが同等性能であることを制御条件下で示す。 - クリーンな endpoint のみに制限すると robustness が大きく低下し、denoising trajectory が制御への有効なインターフェースだと示唆。 - LIBERO-Plus で future-target co-training baseline を 6.1 点上回り、視覚トークン半減・step time 1.8x 高速化を達成。

- 事前学習済み generative DiT を backbone とし、現在観測の denoising と action 予測を同一視覚ストリームで co-training する。 - future target を別途用意せず、denoising trajectory 全体を通じて生成目的と action-facing 表現を結合。 - FLUX2-Klein や純粋な text-to-image の Z-Image など複数 backbone で適用可能。 - 視覚トークンを 784 から 392 に削減し、step time を 2.85 s から 1.63 s に短縮。

- LIBERO-Plus ベンチマークで評価。 - FLUX2-Klein で 87.7%、future-target co-training baseline を 6.1 点上回る。 - 純粋な text-to-image backbone の Z-Image でも 87.8% に到達。 - 制御条件下で past/future 視覚ターゲットの比較、clean endpoint 制限の影響を検証。

- future visual prediction は generative adaptation に必須ではなく、denoising trajectory が制御への有効なインターフェースである可能性を示す。 - 強い制御適応は video generation や image-editing backbone に限定されないことを示唆。 - ただし要旨からは、失敗事例や限界、一般化範囲についての詳細な議論は不明。

- 要旨で参照/比較されている future-target co-training baseline。 - 事前学習済み generative Diffusion Transformer (DiT) を用いた robot policies の関連研究。 - FLUX2-Klein、Z-Image などの generative backbone。 - LIBERO-Plus ベンチマーク。