論文の概要: MeshFleet: Filtered and Annotated 3D Vehicle Dataset for Domain Specific Generative Modeling

• arxiv url: http://arxiv.org/abs/2503.14002v1
• Date: Tue, 18 Mar 2025 08:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:18:18.127079
• Title: MeshFleet: Filtered and Annotated 3D Vehicle Dataset for Domain Specific Generative Modeling
• Title（参考訳）: MeshFleet: ドメイン固有生成モデリングのためのフィルタとアノテーション付き3D車両データセット
• Authors: Damian Boborzi, Phillip Mueller, Jonas Emrich, Dominik Schmid, Sebastian Mueller, Lars Mikelsons,
• Abstract要約: 微調整された大規模な生成モデルは、これらのモデルをエンジニアリングなどの分野で利用できるようにする上で有望な視点である。 我々は,最も広く公開されている3DオブジェクトコレクションであるXLから抽出した,フィルタおよび注釈付き3DデータセットであるMeshFleetを紹介する。 本手法の有効性を,字幕と画像の美的スコアに基づく手法との比較分析とSV3Dによる微調整実験により実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Generative models have recently made remarkable progress in the field of 3D objects. However, their practical application in fields like engineering remains limited since they fail to deliver the accuracy, quality, and controllability needed for domain-specific tasks. Fine-tuning large generative models is a promising perspective for making these models available in these fields. Creating high-quality, domain-specific 3D datasets is crucial for fine-tuning large generative models, yet the data filtering and annotation process remains a significant bottleneck. We present MeshFleet, a filtered and annotated 3D vehicle dataset extracted from Objaverse-XL, the most extensive publicly available collection of 3D objects. Our approach proposes a pipeline for automated data filtering based on a quality classifier. This classifier is trained on a manually labeled subset of Objaverse, incorporating DINOv2 and SigLIP embeddings, refined through caption-based analysis and uncertainty estimation. We demonstrate the efficacy of our filtering method through a comparative analysis against caption and image aesthetic score-based techniques and fine-tuning experiments with SV3D, highlighting the importance of targeted data selection for domain-specific 3D generative modeling.
• Abstract（参考訳）: 生成モデルは最近、3Dオブジェクトの分野において顕著な進歩を遂げた。 しかし、エンジニアリングのような分野における実践的な応用は、ドメイン固有のタスクに必要な正確さ、品質、制御性を提供できないため、依然として限られている。 微調整された大規模な生成モデルは、これらの領域でこれらのモデルを利用できるようにする上で有望な視点である。 高品質でドメイン固有の3Dデータセットを作成することは、大規模な生成モデルを微調整するのに不可欠だが、データフィルタリングとアノテーションプロセスは依然として重大なボトルネックである。 本稿では,Objaverse-XLから抽出したフィルタおよび注釈付き3D車両データセットであるMeshFleetについて紹介する。 本稿では,品質分類器に基づく自動データフィルタリングのためのパイプラインを提案する。 この分類器は、字幕ベースの分析と不確実性推定によって洗練され、DINOv2とSigLIPの埋め込みを組み込んだ、Objaverseのマニュアルラベル付きサブセットで訓練される。 本手法の有効性を,字幕と画像の美的スコアに基づく手法との比較分析とSV3Dによる微調整実験により実証し,ドメイン固有の3D生成モデルにおけるターゲットデータ選択の重要性を強調した。

関連論文リスト

• MonoDINO-DETR: Depth-Enhanced Monocular 3D Object Detection Using a Vision Foundation Model [2.0624236247076397]
  本研究では,視覚変換器(ViT)をベースとした基礎モデルをバックボーンとし,世界的特徴を抽出して深度推定を行う。 検出変換器(DETR)アーキテクチャを統合し、深度推定と物体検出性能を1段階的に改善する。 提案モデルは、KITTIの3Dベンチマークと高標高レース環境から収集したカスタムデータセットの評価により、最近の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-02-01T04:37:13Z)
• 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
  3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。 拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。 さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-11-07T23:46:41Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• UniG3D: A Unified 3D Object Generation Dataset [75.49544172927749]
  UniG3Dは、ShapeNetデータセット上に普遍的なデータ変換パイプラインを用いて構築された、統一された3Dオブジェクト生成データセットである。 このパイプラインは、各生の3Dモデルを包括的なマルチモーダルデータ表現に変換する。 データセットのデータソースの選択は、そのスケールと品質に基づいています。
  論文  参考訳（メタデータ） (2023-06-19T07:03:45Z)
• Training and Tuning Generative Neural Radiance Fields for Attribute-Conditional 3D-Aware Face Generation [66.21121745446345]
  本稿では,特定の属性ラベルを入力として統合した条件付きGNeRFモデルを提案する。 提案手法は, 事前学習した3次元顔モデルに基づいており, 条件付き正規化フローモジュールをトレーニングするためのTraining as Init and fidelity for Tuning (TRIOT) 方式を提案する。 本実験は,ビューの整合性を高めた高品質な編集を行う能力を示すとともに,本モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2022-08-26T10:05:39Z)
• Object DGCNN: 3D Object Detection using Dynamic Graphs [32.090268859180334]
  3Dオブジェクト検出は、複雑なトレーニングとテストパイプラインを伴うことが多い。 近年,非最大抑圧型2次元物体検出モデルに着想を得て,点雲上の3次元物体検出アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:59:38Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)
• SA-Det3D: Self-Attention Based Context-Aware 3D Object Detection [9.924083358178239]
  本稿では,3次元物体検出におけるコンテキストモデリングのための2種類の自己注意法を提案する。 まず,現状のbev,voxel,ポイントベース検出器にペアワイズ自着機構を組み込む。 次に,ランダムにサンプリングされた位置の変形を学習することにより,最も代表的な特徴のサブセットをサンプリングするセルフアテンション変種を提案する。
  論文  参考訳（メタデータ） (2021-01-07T18:30:32Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。