본 논문은 복잡한 환경에서의 소형 물체 흡입 그립핑(suction grasping)의 어려움을 해결하기 위해, 대규모 합성 데이터셋 Parcel-Suction-Dataset을 제시합니다. Parcel-Suction-Dataset은 25,000개의 복잡한 장면과 4억 1천만 개의 정밀 주석된 흡입 그립 자세를 포함합니다. 데이터셋 생성에는 물리적 제약과 재료 특성을 고려한 새로운 기하학적 샘플링 알고리즘을 사용했습니다. 또한, 잡음 제거 확산 확률 모델을 통해 흡입 그립 예측을 조건부 생성 작업으로 재구성하는 혁신적인 프레임워크인 Diffusion-Suction을 제안합니다. Diffusion-Suction은 포인트 클라우드 관찰로부터 시각적 조건 지정을 통해 랜덤 노이즈를 흡입 그립 점수 맵으로 반복적으로 개선하여 Parcel-Suction-Dataset 및 SuctionNet-1Billion 벤치마크에서 최첨단 성능을 달성합니다.
