論文の概要: Uncertainty-aware Prototype Learning with Variational Inference for Few-shot Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2603.19757v1
• Date: Fri, 20 Mar 2026 08:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.059125
• Title: Uncertainty-aware Prototype Learning with Variational Inference for Few-shot Point Cloud Segmentation
• Title（参考訳）: Few-shot Point Cloud Segmentationのための変分推論による不確実性認識型プロトタイプ学習
• Authors: Yifei Zhao, Fanyu Zhao, Yinsheng Li,
• Abstract要約: わずかな3Dセマンティックセグメンテーションは、いくつかのアノテーション付きのサポート例でクエリポイントクラウドの正確なセマンティックマスクを生成することを目的としている。 既存のプロトタイプベースのメソッドは通常、クエリセグメンテーションをガイドするサポートセットからコンパクトで決定論的プロトタイプを構築する。 本稿では,不確実性モデリングをプロトタイプ学習に組み込むための確率論的手法であるUPLを提案する。
• 参考スコア（独自算出の注目度）: 6.324180015982653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot 3D semantic segmentation aims to generate accurate semantic masks for query point clouds with only a few annotated support examples. Existing prototype-based methods typically construct compact and deterministic prototypes from the support set to guide query segmentation. However, such rigid representations are unable to capture the intrinsic uncertainty introduced by scarce supervision, which often results in degraded robustness and limited generalization. In this work, we propose UPL (Uncertainty-aware Prototype Learning), a probabilistic approach designed to incorporate uncertainty modeling into prototype learning for few-shot 3D segmentation. Our framework introduces two key components. First, UPL introduces a dual-stream prototype refinement module that enriches prototype representations by jointly leveraging limited information from both support and query samples. Second, we formulate prototype learning as a variational inference problem, regarding class prototypes as latent variables. This probabilistic formulation enables explicit uncertainty modeling, providing robust and interpretable mask predictions. Extensive experiments on the widely used ScanNet and S3DIS benchmarks show that our UPL achieves consistent state-of-the-art performance under different settings while providing reliable uncertainty estimation. The code is available at https://fdueblab-upl.github.io/.
• Abstract（参考訳）: わずかな3Dセマンティックセグメンテーションは、いくつかのアノテーション付きのサポート例でクエリポイントクラウドの正確なセマンティックマスクを生成することを目的としている。 既存のプロトタイプベースのメソッドは通常、クエリセグメンテーションをガイドするサポートセットからコンパクトで決定論的プロトタイプを構築する。 しかし、そのような厳密な表現は、希少な監督によってもたらされる本質的な不確実性を捉えることができず、しばしば劣化した堅牢性と限定的な一般化をもたらす。 本研究では,不確実性モデリングをプロトタイプ学習に組み込むための確率論的手法であるUPL(Uncertainty-aware Prototype Learning)を提案する。 フレームワークには2つの重要なコンポーネントがあります。 まず、UPLは、サポートとクエリの両方のサンプルから制限された情報を活用することで、プロトタイプ表現を充実させるデュアルストリームプロトタイプリファインメントモジュールを導入している。 第2に,クラスプロトタイプを潜伏変数として,変分推論問題としてプロトタイプ学習を定式化する。 この確率的定式化は明確な不確実性モデリングを可能にし、堅牢で解釈可能なマスク予測を提供する。 広範に使用されているScanNetとS3DISベンチマークの大規模な実験により、我々のUPLは、信頼性の高い不確実性評価を提供しながら、異なる設定下で一貫した最先端性能を実現していることが示された。 コードはhttps://fdueblab-upl.github.io/で公開されている。

関連論文リスト

• Query-aware Hub Prototype Learning for Few-Shot 3D Point Cloud Semantic Segmentation [15.238614809926936]
  Few-shot 3D Point Cloud semantic segmentation (FS-3DSeg) は、いくつかのラベル付きサンプルで新しいクラスをセグメンテーションすることを目的としている。 既存のメトリックベースのプロトタイプ学習手法は,クエリデータとの関連性を考慮せずに,サポートセットのみからプロトタイプを生成する。 本稿では,サポートとクエリセット間の意味的相関を明示的にモデル化する,新しいクエリ対応ハブプロトタイプ(QHP)学習手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T05:18:30Z)
• Few to Big: Prototype Expansion Network via Diffusion Learner for Point Cloud Few-shot Semantic Segmentation [12.971351926107289]
  Prototype Expansion Network (PENet) は、2つのアノテートされた特徴源から大容量のプロトタイプを構築するフレームワークである。 PENetは、様々ないくつかのショット設定で最先端のメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-16T09:29:46Z)
• Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
  一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。 プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。 FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-28T18:36:22Z)
• PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
  我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。 私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T16:06:59Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)

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。