論文の概要: UniVector: Unified Vector Extraction via Instance-Geometry Interaction

• arxiv url: http://arxiv.org/abs/2510.13234v1
• Date: Wed, 15 Oct 2025 07:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.546512
• Title: UniVector: Unified Vector Extraction via Instance-Geometry Interaction
• Title（参考訳）: UniVector:インスタンス-幾何学相互作用による統一ベクトル抽出
• Authors: Yinglong Yan, Jun Yue, Shaobo Xia, Hanmeng Sun, Tianxu Ying, Chengcheng Wu, Sifan Lan, Min He, Pedram Ghamisi, Leyuan Fang,
• Abstract要約: Uniは単一のモデル内で複数のベクトルタイプを抽出するためにインスタンス幾何学的相互作用を利用する統一VEフレームワークである。 Uniは、ベクトルをインスタンスレベルの情報と幾何学レベルの情報の両方を含む構造化クエリとしてエンコードし、相互レベルのコンテキスト交換のための対話モジュールを通じて繰り返し更新する。
• 参考スコア（独自算出の注目度）: 28.129438331953452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vector extraction retrieves structured vector geometry from raster images, offering high-fidelity representation and broad applicability. Existing methods, however, are usually tailored to a single vector type (e.g., polygons, polylines, line segments), requiring separate models for different structures. This stems from treating instance attributes (category, structure) and geometric attributes (point coordinates, connections) independently, limiting the ability to capture complex structures. Inspired by the human brain's simultaneous use of semantic and spatial interactions in visual perception, we propose UniVector, a unified VE framework that leverages instance-geometry interaction to extract multiple vector types within a single model. UniVector encodes vectors as structured queries containing both instance- and geometry-level information, and iteratively updates them through an interaction module for cross-level context exchange. A dynamic shape constraint further refines global structures and key points. To benchmark multi-structure scenarios, we introduce the Multi-Vector dataset with diverse polygons, polylines, and line segments. Experiments show UniVector sets a new state of the art on both single- and multi-structure VE tasks. Code and dataset will be released at https://github.com/yyyyll0ss/UniVector.
• Abstract（参考訳）: ベクトル抽出は、ラスタ画像から構造化ベクトル幾何学を抽出し、高忠実度表現と広い適用性を提供する。 しかし、既存の方法は通常、単一のベクトルタイプ(例えば、ポリゴン、ポリライン、ラインセグメント)に合わせて調整され、異なる構造に対して別々のモデルを必要とする。 これは、インスタンス属性(カテゴリ、構造)と幾何学的属性(ポイント座標、接続)を独立に扱い、複雑な構造をキャプチャする能力を制限することに由来する。 視覚知覚における人間の脳のセマンティックな相互作用と空間的相互作用の同時利用に着想を得て,インスタンス-幾何学的相互作用を利用した統一VEフレームワークUniVectorを提案し,一つのモデル内で複数のベクトルタイプを抽出する。 UniVectorは、ベクトルをインスタンスレベルの情報と幾何学レベルの情報の両方を含む構造化クエリとしてエンコードし、相互レベルのコンテキスト交換のための対話モジュールを通じて繰り返し更新する。 動的形状制約は、グローバル構造とキーポイントをさらに洗練させる。 マルチ構造シナリオをベンチマークするために,多角形,ポリライン,線分を含むマルチベクトルデータセットを提案する。 実験では、UniVectorは単一のVEタスクと多構造VEタスクの両方に新しい最先端技術を設定する。 コードとデータセットはhttps://github.com/yyyll0ss/UniVector.comでリリースされる。

関連論文リスト

• SegVec3D: A Method for Vector Embedding of 3D Objects Oriented Towards Robot manipulation [4.19191792860075]
  SegVec3Dは3Dポイントクラウドインスタンスセグメンテーションのための新しいフレームワークである。 注意機構、埋め込み学習、モーダル間のアライメントを統合する。
  論文  参考訳（メタデータ） (2025-07-13T02:54:55Z)
• Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network [3.804240190982697]
  より表現的かつ頑健な多角形の潜在表現を学習するための単純なグラフメッセージパッシングフレームワークであるPolyMPを提案する。 このフレームワークは,自己ループグラフ情報を階層的に取得し,多角形分類のための幾何学的不変特徴を学習する。 以上の結果から,PolyMPとPolyMP-DSCは共通変換の下で不変な表現的幾何学的特徴を効果的に捉えていることが示唆された。
  論文  参考訳（メタデータ） (2024-07-05T08:19:36Z)
• Correspondence Free Multivector Cloud Registration using Conformal Geometric Algebra [6.929025509877642]
  共形幾何代数における対応自由多ベクトル雲登録の問題に対処する新しい理論的アプローチを提案する。 入力マルチベクタに直接アクセスせずに$(i)$で登録を実行する。 このようにして、登録プロセスにおける対応の解決を明示的に回避することができる。
  論文  参考訳（メタデータ） (2024-06-17T16:50:04Z)
• An Intrinsic Vector Heat Network [64.55434397799728]
  本稿では,3次元に埋め込まれた接ベクトル場を学習するためのニューラルネットワークアーキテクチャを提案する。 本研究では, ベクトル値の特徴データを空間的に伝播させるために, トレーニング可能なベクトル熱拡散モジュールを提案する。 また,四面体メッシュ生成の産業的有用性に対する本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-14T00:40:31Z)
• VariGrad: A Novel Feature Vector Architecture for Geometric Deep Learning on Unregistered Data [3.4447129363520337]
  本稿では,3次元幾何データの特徴ベクトル表現を計算するために,変数勾配を利用した新しい幾何学的深層を提案する。 我々のモデルでは、パラメータ化独立な幾何データの変数表現を使用することで、与えられたサンプリングやパラメータ化に依存しないデータ上でモデルのトレーニングとテストが可能である。
  論文  参考訳（メタデータ） (2023-07-07T12:37:37Z)
• Recurrent Generic Contour-based Instance Segmentation with Progressive Learning [111.31166268300817]
  本稿では,一般的な輪郭型インスタンスセグメンテーションのための新しいディープネットワークアーキテクチャ,すなわちPolySnakeを提案する。 従来のSnakeアルゴリズムに動機付け,提案したPolySnakeはより優れた,堅牢なセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T05:34:29Z)
• Segmenting Moving Objects via an Object-Centric Layered Representation [100.26138772664811]
  深層表現を用いたオブジェクト中心セグメンテーションモデルを提案する。 複数のオブジェクトで合成トレーニングデータを生成するスケーラブルなパイプラインを導入する。 標準的なビデオセグメンテーションベンチマークでモデルを評価する。
  論文  参考訳（メタデータ） (2022-07-05T17:59:43Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)

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。