AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文学术研究自我中心视觉3D重建具身感知数据集

EgoXperience: Learning World-Grounded Egocentric Representations from Human Experience

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结值得深入基于论文全文 3.3 万字 · 完整阅读

EgoX 用 50h 对齐数据一次重建相机手物

从第一人称视频重建人类活动需要相机运动、场景几何和手-物交互在同一世界坐标中一致,而已有方法和数据集难以同时提供联合重建与对齐监督。EgoXperience 通过 EgoX-Engine 将几何验证的物体跟踪与 SLAM 世界对齐耦合,为相机、场景、手、物体生成一致标注,并用于 50 小时任务驱动的 EgoX-Data-6M,再划分出 EgoX-Bench 做联合评估。EgoX 以单目视频和首帧物体掩码为输入,共享 Transformer 编码场景与实体,结合预测相机与 ScaleHead 联合输出 metric 相机、密集深度、双手 MANO 和刚体对象位姿,并用组合几何损失耦合相机与手-物运动;训练还融合多个公开数据集的部分标注。在 HOT3D、EgoX-Bench、H2O、HOI4D 上,作者报告相对最强基线,相机、手、深度误差降低 68.9%、65.6%、42.9%,物体姿态分数提升 28.0%。消融表明 ScaleHead 与 DepthHead 对联合重建必要。当前假设刚体且不预测 mesh,未来将探索物体网格预测与多视角输入。

  1. 1单次前向输出相机深度手物姿态
  2. 2标注用 SLAM 对齐会话坐标
  3. 3HOT3D AUC-S50 73.71

为什么重要 它提供自动标注引擎、统一坐标真值与联合基准,能降低具身数据闭环中多模块拼接成本。适合 具身数据闭环、自我中心视觉与 3D 重建工程师

来源
arxiv.org
发布
2026/10/19
作者
Xinhao Ji、Hui En Pang、Hao Li、Kairui Hu 等
社区投票
189

中文(AI 翻译)

从自我中心视频重建人类活动不仅仅是恢复单个 3D 组件:观察者的运动、周围几何以及手-物体交互必须在一个一致的世界中相互契合。实现这种一致性既需要联合重建,也需要对齐监督,但现有方法和数据集对这两者支持都有限。

我们提出 EgoXperience,一种通过数据收集、自动标注、统一建模和基准测试来满足这些需求的全栈范式。EgoXperience 的核心是自动标注引擎 EgoX-Engine,它将经过几何验证的物体跟踪与基于 SLAM 的世界对齐结合起来,为相机、场景、手部和物体提供一致的监督。

这产生了 EgoX-Data-6M,一个包含 50小时 任务驱动操作和移动的数据集,覆盖室内和室外环境内部及之间,并带有秒级任务字幕。我们从这些活动类别中精心挑选 1小时 作为 EgoX-Bench,用于评估联合重建。

为了将这些监督转化为重建,我们引入了 EgoX,并使用 EgoX-Data-6M 以及来自额外公开数据集的补充标注进行训练。给定单目自我中心视频和首帧物体掩码,我们的模型能够在共享世界坐标系中,通过单次前向传播实现相机、场景、手部和物体的联合度量重建。

大量实验展示了在场景估计和世界空间手-物体姿态恢复方面的最先进性能。与评估的最强基线相比,EgoX 将相机、手部和深度误差分别降低了 68.9%、65.6% 和 42.9%,并将物体姿态分数提升了 28.0%。

原文

Reconstructing human activity from egocentric video requires more than recovering individual 3D components: the observer's motion, surrounding geometry, and hand-object interactions must fit together in a consistent world.

Achieving this coherence requires both joint reconstruction and aligned supervision, yet existing methods and datasets offer limited support for either.

We present EgoXperience, a full-stack paradigm that addresses these needs through data collection, automatic annotation, unified modeling, and benchmarking.

Central to EgoXperience is an automatic annotation engine, EgoX-Engine, that couples geometrically verified object tracking with SLAM-based world alignment, yielding consistent supervision for the camera, scene, hands, and objects.

This yields EgoX-Data-6M, a 50-hour dataset of task-driven manipulation and locomotion within and across indoor and outdoor environments, with second-level task captions.

We carefully select one hour across these activity categories as EgoX-Bench to evaluate joint reconstruction.

To translate this supervision into reconstruction, we introduce EgoX, trained with EgoX-Data-6M and complementary annotations from additional public datasets.

Given monocular egocentric video and first-frame object masks, our model achieves joint metric reconstruction of the camera, scene, hands, and objects in a shared world coordinate frame with a single forward pass.

Extensive experiments demonstrate state-of-the-art performance across scene estimation and world-space hand-object pose recovery.

Against the strongest evaluated baselines, EgoX reduces camera, hand, and depth errors by 68.9%, 65.6%, and 42.9%, and improves object pose scores by 28.0%.

270条

任务脚本

31台

重建相机

用于物体网格重建

4个基准

公开评测

150观察片段

统一片段

注释 · 这些数字来自自采与标注资源,不含公开补充数据。出自 §3.2

术语解释论文使用的物体 6-DoF 位姿评价指标,数值越高越好。 达 73.71
  • Any6D
    42.99%
  • FoundationPose
    23.32%
  • Giga+MegaPose
    57.59%
  • EgoX
    73.71%

注释 · 术语解释论文使用的物体 6-DoF 位姿评价指标,数值越高越好。 越高越好,衡量位姿误差成功率。出自 表3

展示 50h 数据的采集设置、任务覆盖和对齐标注,用于判断场景匹配度。
EgoX-Engine 将头戴录制转为几何与任务字幕,物体位姿经深度验证后由 SLAM 对齐。
EgoX 用共享场景和实体特征联合重建,预测相机与尺度把所有输出放入世界坐标。
采集设备
HOMIE Gen2 头戴立体/鱼眼
物体参考
31 相机 dome + AprilTag
数据内容
相机/深度/手/6-DoF/字幕
模型输出
相机、深度、手、物体同坐标系

深度总结

1 / 8
数据闭环启示· 判断

术语解释把头戴视频转为统一相机、场景、手、物体真值的自动标注管线。 串起采集标注评测

判断

它用任务脚本驱动真实头戴采集,用立体深度、SLAM 与深度验证生成相机、场景、手、物体统一真值,并留出 1 h 术语解释从 50h 数据留出的 1h 联合评测集,覆盖三类活动设置。 做联合评测。对具身团队,关键不是单一模型,而是可规模化的自动标注与真值一致性。

注释 · 看自建管线时,重点核对尺度、坐标系与验证步骤。出自 §3.1-3.2