論文の概要: Visibility-Aware Language Aggregation for Open-Vocabulary Segmentation in 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2509.05515v1
• Date: Fri, 05 Sep 2025 21:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.562042
• Title: Visibility-Aware Language Aggregation for Open-Vocabulary Segmentation in 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス平板における開語彙セグメンテーションのための可視性を考慮した言語アグリゲーション
• Authors: Sen Wang, Kunyi Li, Siyun Liang, Elena Alegret, Jing Ma, Nassir Navab, Stefano Gasperini,
• Abstract要約: 可視性認識言語アグリゲーション(VALA)は、各光線に対する限界寄与を計算し、可視性認識ゲートを適用して、目に見えるガウスのみを保持する手法である。 提案手法は,高速かつメモリ効率のよい,堅牢でビュー一貫性のある言語特徴を組み込む。
• 参考スコア（独自算出の注目度）: 42.85503386524195
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, distilling open-vocabulary language features from 2D images into 3D Gaussians has attracted significant attention. Although existing methods achieve impressive language-based interactions of 3D scenes, we observe two fundamental issues: background Gaussians contributing negligibly to a rendered pixel get the same feature as the dominant foreground ones, and multi-view inconsistencies due to view-specific noise in language embeddings. We introduce Visibility-Aware Language Aggregation (VALA), a lightweight yet effective method that computes marginal contributions for each ray and applies a visibility-aware gate to retain only visible Gaussians. Moreover, we propose a streaming weighted geometric median in cosine space to merge noisy multi-view features. Our method yields a robust, view-consistent language feature embedding in a fast and memory-efficient manner. VALA improves open-vocabulary localization and segmentation across reference datasets, consistently surpassing existing works.
• Abstract（参考訳）: 近年,2次元画像から3次元ガウシアンへの開語彙的特徴の蒸留が注目されている。 既存の手法は3Dシーンの印象的な言語に基づくインタラクションを実現するが、背景のガウスがレンダリングされたピクセルに無視的に寄与するという根本的な問題と、言語埋め込みにおけるビュー固有ノイズによるマルチビューの不整合の2つを観察する。 可視性認識言語アグリゲーション(VALA)は、各光線に対する限界寄与を計算し、可視性認識ゲートを適用して、目に見えるガウスのみを保持する軽量で効果的な手法である。 さらに,コサイン空間における重み付き幾何中央値を用いて,ノイズの多いマルチビュー特徴をマージする手法を提案する。 提案手法は,高速かつメモリ効率のよい,堅牢でビュー一貫性のある言語特徴を組み込む。 VALAはオープン語彙のローカライゼーションと参照データセット間のセグメンテーションを改善し、既存の作業を一貫して上回る。

関連論文リスト

• GALA: Guided Attention with Language Alignment for Open Vocabulary Gaussian Splatting [74.56128224977279]
  GALAは3次元ガウススプラッティングを用いたオープンな3次元シーン理解のための新しいフレームワークである(3DGS)。 GALAは、自己教師付きコントラスト学習を通じてシーン固有の3Dインスタンス特徴フィールドを蒸留する。 シームレスな2Dおよび3Dオープン語彙クエリをサポートし、ガウス単位の高次元特徴学習を回避してメモリ消費を削減する。
  論文  参考訳（メタデータ） (2025-08-19T21:26:49Z)
• GaussianVLM: Scene-centric 3D Vision-Language Models using Language-aligned Gaussian Splats for Embodied Reasoning and Beyond [56.677984098204696]
  マルチモーダル言語モデルは、VLM(3D Vision-Language Models)の開発を推進している 本稿では,言語とタスク認識のシーン表現を用いた3次元ガウシアンスプラットシーンのためのシーン中心の3次元VLMを提案する。 本稿では,標準RGB画像から導出した光リアルな3D表現を利用した最初のガウススプラッティングに基づくVLMを提案する。
  論文  参考訳（メタデータ） (2025-07-01T15:52:59Z)
• Unleashing the Multi-View Fusion Potential: Noise Correction in VLM for Open-Vocabulary 3D Scene Understanding [15.86865606131156]
  MVOV3Dはオープンな3Dシーン理解のための2次元多視点融合の可能性の解放を目的とした新しいアプローチである。 具体的には、MVOV3Dは、CLIPエンコーダでエンコードされた正確な領域レベルの画像特徴とテキスト特徴を活用することで、マルチビュー2D機能を改善する。 ScanNet200では14.7% mIoU,Matterport160では16.2% mIoU,オープン語彙セマンティックセマンティックセグメンテーションでは14.7% mIoUを達成した。
  論文  参考訳（メタデータ） (2025-06-28T08:40:42Z)
• CAGS: Open-Vocabulary 3D Scene Understanding with Context-Aware Gaussian Splatting [18.581169318975046]
  3D Gaussian Splatting (3DGS) はシーン再構築のための強力な表現を提供するが、相互視の粒度の不整合は問題である。 空間コンテキストを3DGSに組み込んだ新しいフレームワークCAGSを提案する。 CAGSは3Dインスタンスのセグメンテーションを大幅に改善し、LERF-OVSやScanNetといったデータセットのフラグメンテーションエラーを低減する。
  論文  参考訳（メタデータ） (2025-04-16T09:20:03Z)
• SuperGSeg: Open-Vocabulary 3D Segmentation with Structured Super-Gaussians [77.77265204740037]
  3D Gaussian Splattingは、その効率的なトレーニングとリアルタイムレンダリングで注目を集めている。 我々は,協調型コンテキスト認識シーン表現を促進する新しいアプローチであるSuperGSegを紹介する。 SuperGSegは、オープン語彙オブジェクトローカライゼーションとセマンティックセグメンテーションタスクの両方において、以前の作業より優れている。
  論文  参考訳（メタデータ） (2024-12-13T16:01:19Z)
• Occam's LGS: An Efficient Approach for Language Gaussian Splatting [57.00354758206751]
  言語3Dガウススプラッティングのための複雑なパイプラインは、単純に不要であることを示す。 我々は,オッカムのカミソリを手作業に適用し,高効率な重み付き多視点特徴集約技術を実現する。
  論文  参考訳（メタデータ） (2024-12-02T18:50:37Z)
• Language Embedded 3D Gaussians for Open-Vocabulary Scene Understanding [2.517953665531978]
  オープン語彙クエリタスクのための新しいシーン表現であるLanguage Embedded 3D Gaussiansを紹介する。 我々の表現は、現在の言語埋め込み表現において、最高の視覚的品質と言語クエリの精度を達成する。
  論文  参考訳（メタデータ） (2023-11-30T11:50:07Z)

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。