Chenming Zhu

The University of Hong Kong

収録論文 7本 ・ フィジカルAI/ロボット学習

※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。

論文

• 視覚品質を超えて：自己運動下の物理的整合性を評価するEgoGenEval
  評価ベンチマーク2026/9/10

  自己運動下での視覚生成モデルの物理的整合性を評価するポーズ不要のベンチマークEgoGenEvalを提案し、16モデルの評価とSFT実験からペアワイズ教師強制目的の限界を示した。

• ゆっくり理解し、素早く動く：汎用視覚言語ナビゲーションのための二重システム基盤モデル
  VLA2025/12/1

  VLMによる高レベル計画と拡散トランスフォーマによる低レベル行動生成を組み合わせ、動的環境でもリアルタイムに適応できる視覚言語ナビゲーション基盤モデルを提案した。

• StreamVLN：スローファスト文脈モデリングによるストリーミング視覚言語ナビゲーション
  VLA2025/7/1

  視覚と言語の入力からリアルタイムに行動を生成するVLN向けに、高速な対話文脈と低速更新の記憶文脈を組み合わせたストリーミングフレームワークを提案し、低遅延で最先端性能を達成した。

• MMScan: 階層的接地言語アノテーション付きマルチモーダル3Dシーンデータセット
  3Dシーン理解2024/6/1

  領域から物体レベルまでの階層的な言語アノテーションを備えた大規模マルチモーダル3Dシーンデータセットを構築し、3D視覚接地と質問応答のベンチマークを提供した。

• 最先端LiDARセグメンテーションモデル訓練の実証研究
  LiDARセグメンテーション2024/5/1

  LiDARセグメンテーション研究を統一するツールボックスMMDetection3D-lidarsegを提案し、多様なモデル・データ拡張・疎畳み込みバックエンドを統合してベンチマークを効率化した。

• EmbodiedScan: A Holistic Multi-Modal 3D Perception Suite Towards Embodied AI
  2023/12/1
• MV-FCOS3D++: Multi-View Camera-Only 4D Object Detection with Pretrained Monocular Backbones
  2022/7/1