論文の概要: LabelGS: Label-Aware 3D Gaussian Splatting for 3D Scene Segmentation

• arxiv url: http://arxiv.org/abs/2508.19699v1
• Date: Wed, 27 Aug 2025 09:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.569617
• Title: LabelGS: Label-Aware 3D Gaussian Splatting for 3D Scene Segmentation
• Title（参考訳）: LabelGS:3Dシーンセグメンテーションのためのラベル付き3Dガウススプレイティング
• Authors: Yupeng Zhang, Dezhi Zheng, Ping Lu, Han Zhang, Lei Wang, Liping xiang, Cheng Luo, Kaijun Deng, Xiaowen Fu, Linlin Shen, Jinbao Wang,
• Abstract要約: 3D Gaussian Splatting (3DGS)は、3Dシーンの新たな明示的な表現として登場し、高忠実度再構成と効率的なレンダリングの両方を提供している。 ガウス表現をオブジェクトラベルで拡張する手法であるラベル対応3Dガウス分割法(LabelGS)を提案する。 LabelGSはFeature-3DGSと比較して、1440X1080の解像度でトレーニングで22倍のスピードアップを達成した。
• 参考スコア（独自算出の注目度）: 56.4321049923868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a novel explicit representation for 3D scenes, offering both high-fidelity reconstruction and efficient rendering. However, 3DGS lacks 3D segmentation ability, which limits its applicability in tasks that require scene understanding. The identification and isolating of specific object components is crucial. To address this limitation, we propose Label-aware 3D Gaussian Splatting (LabelGS), a method that augments the Gaussian representation with object label.LabelGS introduces cross-view consistent semantic masks for 3D Gaussians and employs a novel Occlusion Analysis Model to avoid overfitting occlusion during optimization, Main Gaussian Labeling model to lift 2D semantic prior to 3D Gaussian and Gaussian Projection Filter to avoid Gaussian label conflict. Our approach achieves effective decoupling of Gaussian representations and refines the 3DGS optimization process through a random region sampling strategy, significantly improving efficiency. Extensive experiments demonstrate that LabelGS outperforms previous state-of-the-art methods, including Feature-3DGS, in the 3D scene segmentation task. Notably, LabelGS achieves a remarkable 22X speedup in training compared to Feature-3DGS, at a resolution of 1440X1080. Our code will be at https://github.com/garrisonz/LabelGS.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、3Dシーンの新たな明示的な表現として登場し、高忠実度再構成と効率的なレンダリングの両方を提供している。 しかし、3DGSは3Dセグメンテーション能力に欠けており、シーン理解を必要とするタスクに適用性を制限する。 特定のオブジェクトコンポーネントの識別と分離が重要である。 この制限に対処するために,3次元ガウス表現をオブジェクトラベルで拡張するラベル付き3次元ガウス分割法 (LabelGS) を提案する。LabelGSは3次元ガウス表現の横断的な一貫したセマンティックマスクを導入し,最適化時にオクルージョンを過度に適合させないための新しいオクルージョン解析モデル,3次元ガウスおよびガウス射影フィルタに先立って2次元セマンティクスを持ち上げるメインガウスラベリングモデルを提案する。 提案手法は,ガウス表現を効果的に分離し,ランダム領域サンプリング戦略により3DGS最適化プロセスを洗練し,効率を著しく向上する。 大規模な実験では、3Dシーンセグメンテーションタスクにおいて、RagelGSはFeature-3DGSを含む従来の最先端手法よりも優れていた。 LabelGSは、Feature-3DGSと比較して、1440X1080の解像度で、22倍のスピードアップを達成した。 私たちのコードはhttps://github.com/garrisonz/LabelGS.orgで公開されます。

関連論文リスト

• SAGOnline: Segment Any Gaussians Online [17.33447710659887]
  3D Gaussian Splatting (3DGS) は、明示的な3Dシーン表現のための強力なパラダイムとして登場した。 現在の手法では, 計算コストの禁止, 空間的推論の制限, 複数物体の同時追跡が困難となっている。 Segment Any Gaussians Online (SAGOnline) はガウスシーンにおけるリアルタイム3Dセグメンテーションのための軽量でゼロショットのフレームワークである。
  論文  参考訳（メタデータ） (2025-08-11T17:38:50Z)
• FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
  3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。 従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。 本稿では3DGSの弾性推論手法を提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:17:57Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)

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。