論文の概要: Cross-view Domain Generalization via Geometric Consistency for LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2602.14525v1
• Date: Mon, 16 Feb 2026 07:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.249079
• Title: Cross-view Domain Generalization via Geometric Consistency for LiDAR Semantic Segmentation
• Title（参考訳）: LiDARセマンティックセグメンテーションのための幾何学的一貫性によるクロスビュー領域一般化
• Authors: Jindong Zhao, Yuan Gao, Yang Xia, Sheng Nie, Jun Yue, Weiwei Sun, Shaobo Xia,
• Abstract要約: ドメイン一般化LiDARセマンティックセマンティックセグメンテーション(LSS)は、複数の未確認ターゲットドメインに確実に一般化するソースドメインポイントクラウド上でモデルをトレーニングすることを目指している。 既存のアプローチは、同様の買収の見解と、クロスビューのシナリオで苦労している。 我々は、LiDARセマンティックセグメンテーションのためのクロスビュー領域の一般化を定式化し、CVGCと呼ばれる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.10021698723751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain-generalized LiDAR semantic segmentation (LSS) seeks to train models on source-domain point clouds that generalize reliably to multiple unseen target domains, which is essential for real-world LiDAR applications. However, existing approaches assume similar acquisition views (e.g., vehicle-mounted) and struggle in cross-view scenarios, where observations differ substantially due to viewpoint-dependent structural incompleteness and non-uniform point density. Accordingly, we formulate cross-view domain generalization for LiDAR semantic segmentation and propose a novel framework, termed CVGC (Cross-View Geometric Consistency). Specifically, we introduce a cross-view geometric augmentation module that models viewpoint-induced variations in visibility and sampling density, generating multiple cross-view observations of the same scene. Subsequently, a geometric consistency module enforces consistent semantic and occupancy predictions across geometrically augmented point clouds of the same scene. Extensive experiments on six public LiDAR datasets establish the first systematic evaluation of cross-view domain generalization for LiDAR semantic segmentation, demonstrating that CVGC consistently outperforms state-of-the-art methods when generalizing from a single source domain to multiple target domains with heterogeneous acquisition viewpoints. The source code will be publicly available at https://github.com/KintomZi/CVGC-DG
• Abstract（参考訳）: ドメイン一般化LiDARセマンティックセマンティックセグメンテーション(LSS)は、実世界のLiDARアプリケーションに不可欠な複数の未確認ターゲットドメインに確実に一般化するソースドメインポイントクラウド上でモデルをトレーニングすることを目指している。 しかし、既存のアプローチでは、視点に依存した構造的不完全性や一様でない点密度によって観察が著しく異なる場合(例えば、車両に搭載された場合)と、クロスビューのシナリオにおいて、類似の獲得ビュー(例えば、車両に搭載された場合)を仮定する。 そこで我々は,LiDARセマンティックセグメンテーションのためのクロスビュー領域の一般化を定式化し,CVGC(Cross-View Geometric Consistency)と呼ばれる新しいフレームワークを提案する。 具体的には,可視性およびサンプリング密度の視点依存性をモデル化し,同じシーンを複数回観察するクロスビュー幾何拡張モジュールを提案する。 その後、幾何学的整合性モジュールは、同じシーンの幾何学的に拡張された点雲を横断する一貫した意味と占有性予測を強制する。 6つの公開LiDARデータセットに対する大規模な実験により、LiDARセマンティックセマンティックセグメンテーションのためのクロスビュードメイン一般化の最初の体系的評価が確立され、CVGCは、単一ソースドメインから異種獲得の観点から複数のターゲットドメインへの一般化において、常に最先端の手法よりも優れていることを示した。 ソースコードはhttps://github.com/KintomZi/CVGC-DGで公開されている。

関連論文リスト

• Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
  本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
  論文  参考訳（メタデータ） (2025-12-10T07:56:19Z)
• CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation [85.22910555280414]
  CrossEarthはセマンティックセグメンテーションのためのビジョン基盤モデルである。 CrossEarthは、特別に設計されたデータレベルのEarth-Style Injectionパイプラインを通じて、強力なクロスドメインの一般化を実証する。 セマンティックセグメンテーションタスクのために,各領域,スペクトル帯域,プラットフォーム,気候の32のクロスドメイン設定からなるRSDGベンチマークをキュレートした。
  論文  参考訳（メタデータ） (2024-10-30T01:22:37Z)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。