視覚障害者支援/データセット2026/10/14arXiv:2610.19330

NavAble: 視覚障害者ナビゲーションのための大規模データセットと合成データ生成パイプライン

NavAble: A Large-Scale Dataset and Synthetic Data Generation Pipeline for Blind Navigation

視覚障害者の移動支援に必要なアクセシビリティ物体を認識するため、実画像と合成画像を組み合わせた大規模データセットと自動生成パイプラインを構築し、セグメンテーションモデルの性能向上を実証した。

詳しい要約

1. どんなもの？

- 視覚障害者(BLV)の移動支援に必要な accessibility-critical objects を認識するための大規模データセットと合成データ生成パイプライン - 11クラス、41K curated open-source images + 8K newly collected densely annotated real-world images - 合成パイプラインで 37 environments、565 assets から 452K frames を生成 - 公開先: https://huggingface.co/datasets/NavAble/NeurIPS_2026_BLV

2. 先行研究と比べてどこがすごい？

- 既存の大規模 vision datasets では accessibility-critical objects が underrepresented - 含む少数データセットも limited class coverage、inconsistent annotations、poor diversity という問題 - NavAble は 11クラス・実画像・合成画像を組み合わせ、多様性と規模を拡大 - 合成データ拡張で real-world-only fine-tuning 比 +3.5 mIoU を達成

3. 技術・手法の肝は？

- automated web image crawling と VLM-based filtering で実画像を収集 - SAM 3D-based asset generation で高忠実度 3D assets を生成 - convenient camera trajectory configuration で多様な styles/viewpoints を設定 - 37 environments で 452K frames をレンダリングし、rich ground-truth annotations を付与 - 手作業を最小化し、手動収集では得られない diversity を実現

4. どうやって有効だと検証した？

- 既存 segmentation models を NavAble Dataset で fine-tuning し、held-out test set で >80% mIoU を達成 - synthetic data augmentation が real-world-only fine-tuning より最大 +3.5 mIoU 改善 - 2つの mobility-assistive robots の egocentric data で実世界ナビゲーション時の perception reliability 向上を検証

5. 議論はある？

- 要旨からは不明（限界や失敗事例、倫理的議論には明示的に触れていない） - ただし data scarcity と embodiment gaps に対処する scalable foundation を提供すると主張

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない - 関連手法として SAM (Segment Anything Model)、VLM (Vision-Language Model)、既存の segmentation models が挙げられる - 同分野の定番として accessibility object detection、assistive navigation、synthetic-to-real transfer に関する研究が次に読むべき候補

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hochul Hwang, Jahir Sadik Monon, Soowan Yang, Shiven Umeshbhai Patel, Anh Nhat Hong Nguyen, Kien Nguyen, Keshav Garg, Dylan Gage, Duretti Hordofaa, Anshu Anjna, Eshed Ohn-Bar, Donghyun Kim

分類: cs.CV, cs.RO

原文アブストラクト

Reliable recognition of accessibility-critical objects (e.g., audible pedestrian signals, door-activation buttons, and handrails) is essential for assistive navigation technologies that support safe, independent mobility for blind and low-vision (BLV) users. Yet these categories are underrepresented in existing large-scale vision datasets, and the few datasets that include them suffer from limited class coverage, inconsistent annotations, and poor diversity. We introduce NavAble, a large-scale dataset spanning 11 accessibility-critical object classes, combining 41K curated open-source images with 8K newly collected, densely annotated real-world images. To extend scale and diversity, we develop a synthetic data generation pipeline that renders high-fidelity 3D assets across 37 environments under diverse styles and viewpoints, yielding 452K frames with rich ground-truth annotations from 565 assets. The pipeline minimizes manual effort by combining automated web image crawling, VLM-based filtering, SAM 3D-based asset generation, and convenient camera trajectory configuration, enabling large-scale data generation at a diversity unattainable through manual collection. Experiments show that fine-tuning existing segmentation models on the NavAble Dataset achieves reliable accessibility-object segmentation (>80% mIoU on our held-out test set). We also demonstrate the effectiveness of synthetic data augmentation, which yields up to +3.5 mIoU over real-world-only fine-tuning. Beyond benchmark evaluation, validation on egocentric data from two mobility-assistive robots demonstrates improved perception reliability in real-world navigation scenarios. Together, NavAble establishes a scalable foundation for BLV navigation perception, directly addressing the data scarcity and embodiment gaps. The dataset and pipeline are publicly available at https://huggingface.co/datasets/NavAble/NeurIPS_2026_BLV.

arXivで原文を読む →arXiv概要ページ

← 論文一覧