論文の概要: Geometry Meets Vision: Revisiting Pretrained Semantics in Distilled Fields

• arxiv url: http://arxiv.org/abs/2510.03104v1
• Date: Fri, 03 Oct 2025 15:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.456574
• Title: Geometry Meets Vision: Revisiting Pretrained Semantics in Distilled Fields
• Title（参考訳）: Geometry meets Vision: Revising Pretrained Semantics in Distilled Fields
• Authors: Zhiting Mei, Ola Shorinwa, Anirudha Majumdar,
• Abstract要約: 本稿では, 蒸留セマンティクスを用いた粗いインバージョンと光度に基づく最適化による微細インバージョンという2つのコア成分からなる, 初期推定なしで放射界を反転させる新しいフレームワークを提案する。 以上の結果から,視覚のみの特徴はより幅広い下流タスクに対してより汎用性をもたらすことが示唆されるが,幾何学的特徴にはより幾何学的詳細が含まれている。
• 参考スコア（独自算出の注目度）: 11.251320289181338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic distillation in radiance fields has spurred significant advances in open-vocabulary robot policies, e.g., in manipulation and navigation, founded on pretrained semantics from large vision models. While prior work has demonstrated the effectiveness of visual-only semantic features (e.g., DINO and CLIP) in Gaussian Splatting and neural radiance fields, the potential benefit of geometry-grounding in distilled fields remains an open question. In principle, visual-geometry features seem very promising for spatial tasks such as pose estimation, prompting the question: Do geometry-grounded semantic features offer an edge in distilled fields? Specifically, we ask three critical questions: First, does spatial-grounding produce higher-fidelity geometry-aware semantic features? We find that image features from geometry-grounded backbones contain finer structural details compared to their counterparts. Secondly, does geometry-grounding improve semantic object localization? We observe no significant difference in this task. Thirdly, does geometry-grounding enable higher-accuracy radiance field inversion? Given the limitations of prior work and their lack of semantics integration, we propose a novel framework SPINE for inverting radiance fields without an initial guess, consisting of two core components: coarse inversion using distilled semantics, and fine inversion using photometric-based optimization. Surprisingly, we find that the pose estimation accuracy decreases with geometry-grounded features. Our results suggest that visual-only features offer greater versatility for a broader range of downstream tasks, although geometry-grounded features contain more geometric detail. Notably, our findings underscore the necessity of future research on effective strategies for geometry-grounding that augment the versatility and performance of pretrained semantic features.
• Abstract（参考訳）: ラディアンス分野におけるセマンティック蒸留は、例えば操作とナビゲーションにおいて、大きな視覚モデルから事前訓練された意味論に基づいて、オープン語彙ロボットのポリシーに大きな進歩をもたらした。 従来の研究は、ガウススプラッティングやニューラルラディアンスフィールドにおける視覚のみの意味的特徴(例えば、DINO、CLIP)の有効性を実証してきたが、蒸留場における幾何学的グラウンドの潜在的な利点は、未解決の問題である。 原則として、視覚幾何学の特徴は、ポーズ推定のような空間的なタスクに非常に有望であるように思える。 第一に、空間的接地は高忠実度幾何認識のセマンティックな特徴を生み出すか? また, 画像の特徴として, 背骨の形状が, 背骨の形状よりも微細な構造を呈していることが判明した。 第二に、幾何学的接地は意味的オブジェクトの局在を改善するか? 私たちはこの仕事で有意な違いは見つからない。 第三に、幾何グラウンド化は高精度な放射場逆転を可能にするか? 先行研究の限界とセマンティクス統合の欠如を踏まえ、蒸留セマンティクスを用いた粗いインバージョンと測光に基づく最適化による微細インバージョンという2つのコア成分からなる、初期推定なしで放射界を反転させる新しいフレームワークSPINEを提案する。 驚くべきことに、幾何学的特徴により、ポーズ推定精度が低下することがわかった。 以上の結果から,視覚のみの特徴はより幅広い下流タスクに対してより汎用性をもたらすことが示唆されるが,幾何学的特徴にはより幾何学的詳細が含まれている。 特に,本研究は,事前学習した意味的特徴の汎用性と性能を向上する幾何学的接地戦略の今後の研究の必要性を浮き彫りにしている。

関連論文リスト

• Learning Human Visual Attention on 3D Surfaces through Geometry-Queried Semantic Priors [0.0]
  本稿では,幾何処理と意味認識の相互作用を形式化する2重ストリームアーキテクチャであるSemGeo-AttentionNetを紹介する。 我々は、強化学習を通じて時間的スキャンパス生成にフレームワークを拡張した。 SAL3D, NUS3D, 3DVAデータセットの評価は大幅に改善されている。
  論文  参考訳（メタデータ） (2026-02-06T06:15:38Z)
• Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
  我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。 特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。 その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-05T18:59:32Z)
• SpatialActor: Exploring Disentangled Spatial Representations for Robust Robotic Manipulation [63.48859753472547]
  SpaceActorは、意味論と幾何学を明確に分離する堅牢なロボット操作のためのフレームワークである。 RLBenchの87.4%で最先端のパフォーマンスを達成し、ノイズの異なる条件下では13.9%から19.4%改善している。
  論文  参考訳（メタデータ） (2025-11-12T18:59:08Z)
• AlignGS: Aligning Geometry and Semantics for Robust Indoor Reconstruction from Sparse Views [18.361136390711415]
  屋内シーンのセマンティックにリッチな3Dモデルへの需要は急速に増加しており、拡張現実、仮想現実、ロボット工学の応用によって推進されている。 既存の手法は、しばしば意味論を、既に形成され、潜在的に欠陥のある幾何学に描かれた受動的特徴として扱う。 本稿では、このビジョンを実現する新しいフレームワークであるAlignGSを紹介し、幾何学と意味論の相乗的でエンドツーエンドの最適化を開拓する。
  論文  参考訳（メタデータ） (2025-10-09T06:30:20Z)
• Dens3R: A Foundation Model for 3D Geometry Prediction [44.13431776180547]
  Dens3Rは幾何学的密度予測のための3次元基礎モデルである。 画像対マッチング機能と本質的不変性モデリングを統合することにより、Dens3Rは複数の幾何学的量を正確に回帰する。
  論文  参考訳（メタデータ） (2025-07-22T07:22:30Z)
• GREAT: Geometry-Intention Collaborative Inference for Open-Vocabulary 3D Object Affordance Grounding [53.42728468191711]
  Open-Vocabulary 3D object affordance groundingは、任意の命令で3Dオブジェクト上のアクション可能性の領域を予測することを目的としている。 GREAT (GeometRy-intEntion collAboraTive Inference) を提案する。
  論文  参考訳（メタデータ） (2024-11-29T11:23:15Z)
• InfoNorm: Mutual Information Shaping of Normals for Sparse-View Reconstruction [15.900375207144759]
  多視点画像からの3次元表面再構成はシーン理解とインタラクションに不可欠である。 ニューラルレージアンス場(NeRF)や符号付き距離関数(SDF)といった近年の暗黙的な表面表現は、観測情報の欠如を解決するために様々な幾何学的先行法を用いている。 本稿では,高度に相関したシーンポイントの表面正規化における相互情報を明確に促進することにより,幾何学的モデリングの正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-17T15:46:25Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Feature 3DGS: Supercharging 3D Gaussian Splatting to Enable Distilled Feature Fields [54.482261428543985]
  ニューラル・ラジアンス・フィールドを使用する手法は、新しいビュー合成のような従来のタスクに汎用的である。 3次元ガウシアンスプラッティングは, 実時間ラディアンス場レンダリングにおける最先端の性能を示した。 この問題を効果的に回避するために,アーキテクチャとトレーニングの変更を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:46:30Z)
• Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
  GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
  論文  参考訳（メタデータ） (2023-04-06T14:33:05Z)
• Zero-shot point cloud segmentation by transferring geometric primitives [68.18710039217336]
  ゼロショットポイントクラウドセマンティックセマンティックセマンティックセマンティクスについて検討し、そこではネットワークが見えないオブジェクトに対してトレーニングされ、見えないオブジェクトをセマンティクスできる。 本研究では,視覚的および視覚的カテゴリーのオブジェクトで共有される幾何学的プリミティブを学習し,言語と学習された幾何学的プリミティブとの微粒なアライメントを利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-18T15:06:54Z)
• Geometric Attention for Prediction of Differential Properties in 3D Point Clouds [32.68259334785767]
  本研究では,このような特性を学習可能な方法で提供できる幾何学的注意機構を提案する。 本研究では,正規ベクトルの予測と特徴線の抽出に関する実験により,提案手法の有用性を確立した。
  論文  参考訳（メタデータ） (2020-07-06T07:40:26Z)

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。