論文の概要: Memory Over Maps: 3D Object Localization Without Reconstruction

• arxiv url: http://arxiv.org/abs/2603.20530v1
• Date: Fri, 20 Mar 2026 21:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.955072
• Title: Memory Over Maps: 3D Object Localization Without Reconstruction
• Title（参考訳）: マップ上のメモリ:再構築なしでの3Dオブジェクトのローカライゼーション
• Authors: Rui Zhou, Xander Yap, Jianwen Cao, Allison Lau, Boyang Sun, Marc Pollefeys,
• Abstract要約: ターゲットローカライゼーションは、ナビゲーションや操作といった具体的タスクの前提条件である。 視覚言語モデルの最近の進歩は、リッチなセマンティック推論を2次元観察で直接実行できることを示唆している。 シーンのグローバルな3次元表現を構築することなく,RGB-Dのみを軽量なヴィジュアルメモリとして格納するマップフリーパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 44.29345996003297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Target localization is a prerequisite for embodied tasks such as navigation and manipulation. Conventional approaches rely on constructing explicit 3D scene representations to enable target localization, such as point clouds, voxel grids, or scene graphs. While effective, these pipelines incur substantial mapping time, storage overhead, and scalability limitations. Recent advances in vision-language models suggest that rich semantic reasoning can be performed directly on 2D observations, raising a fundamental question: is a complete 3D scene reconstruction necessary for object localization? In this work, we revisit object localization and propose a map-free pipeline that stores only posed RGB-D keyframes as a lightweight visual memory--without constructing any global 3D representation of the scene. At query time, our method retrieves candidate views, re-ranks them with a vision-language model, and constructs a sparse, on-demand 3D estimate of the queried target through depth backprojection and multi-view fusion. Compared to reconstruction-based pipelines, this design drastically reduces preprocessing cost, enabling scene indexing that is over two orders of magnitude faster to build while using substantially less storage. We further validate the localized targets on downstream object-goal navigation tasks. Despite requiring no task-specific training, our approach achieves strong performance across multiple benchmarks, demonstrating that direct reasoning over image-based scene memory can effectively replace dense 3D reconstruction for object-centric robot navigation. Project page: https://ruizhou-cn.github.io/memory-over-maps/
• Abstract（参考訳）: ターゲットローカライゼーションは、ナビゲーションや操作といった具体的タスクの前提条件である。 従来のアプローチは、ポイントクラウド、ボクセルグリッド、シーングラフなどのターゲットローカライゼーションを可能にするために、明示的な3Dシーン表現の構築に依存している。 有効ではあるが、これらのパイプラインは相当なマッピング時間、ストレージオーバーヘッド、スケーラビリティの制限を発生させる。 視覚言語モデルの最近の進歩は、リッチなセマンティック推論が2次元の観察で直接実行できることを示唆し、根本的な疑問を提起している。 本研究では,オブジェクトのローカライゼーションを再検討し,RGB-Dキーフレームのみを軽量なビジュアルメモリとして格納するマップフリーパイプラインを提案する。 問合せ時,提案手法は候補ビューを検索し,視覚言語モデルで再ランクし,奥行きのバックプロジェクションとマルチビュー融合により,クエリ対象のスパースでオンデマンドな3D推定値を構築する。 再構成ベースのパイプラインと比較すると、この設計はプリプロセスコストを大幅に削減し、ストレージを著しく少なくしながら、ビルドが2桁以上高速なシーンインデックス作成を可能にしている。 さらに、下流のオブジェクトゴールナビゲーションタスクにおける局所的目標の検証を行う。 タスク固有のトレーニングは必要とせず、複数のベンチマークで高いパフォーマンスを実現し、画像ベースのシーンメモリを直接推論することで、オブジェクト中心のロボットナビゲーションのための高密度な3D再構成を効果的に置き換えることができることを示した。 プロジェクトページ:https://ruizhou-cn.github.io/Memory-over-maps/

関連論文リスト

• $L^3$:Scene-agnostic Visual Localization in the Wild [8.93640624067105]
  本稿では,地図自由な視覚的ローカライゼーションフレームワークである$L3$を提案する。 具体的には、RGB画像上で直接オンライン3D再構成を行い、2段階のスケール回復と2D-3D対応に基づく改善を施すことにより、$L3$はオフラインシーン表現の事前構築や保存を必要とせずに高い精度を達成できる。
  論文  参考訳（メタデータ） (2026-03-09T04:04:24Z)
• ChangingGrounding: 3D Visual Grounding in Changing Scenes [92.00984845186679]
  現実世界のロボットは自然言語からオブジェクトをローカライズするが、周囲のシーンは変化し続けている。 既存の3Dビジュアルグラウンドティング(3DVG)手法のほとんどは、再構築された最新の点雲を前提としている。 エージェントが過去の観測をいかにうまく活用できるかを明示的に測定する最初のベンチマークであるChangeingGroundingを紹介します。
  論文  参考訳（メタデータ） (2025-10-16T17:59:16Z)
• Point3R: Streaming 3D Reconstruction with Explicit Spatial Pointer Memory [72.75478398447396]
  我々は,高密度ストリーミング3D再構成を目的としたオンラインフレームワークであるPoint3Rを提案する。 具体的には、現在のシーンの3次元構造に直接関連した空間ポインタメモリを明示的に保持する。 本手法は,訓練コストの低い各種タスクにおいて,競争力や最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:56Z)
• SplatLoc: 3D Gaussian Splatting-based Visual Localization for Augmented Reality [50.179377002092416]
  より少ないパラメータで高品質なレンダリングが可能な効率的なビジュアルローカライズ手法を提案する。 提案手法は,最先端の暗黙的視覚的ローカライゼーションアプローチに対して,より優れた,あるいは同等なレンダリングとローカライゼーション性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T08:46:16Z)
• Improved Scene Landmark Detection for Camera Localization [11.56648898250606]
  シーンランドマーク検出(SLD)に基づく手法が近年提案されている。 畳み込みニューラルネットワーク(CNN)をトレーニングして、所定の、健全でシーン固有の3Dポイントやランドマークを検出する。 トレーニング中はモデル容量とノイズラベルが不足していたため,精度の差がみられた。
  論文  参考訳（メタデータ） (2024-01-31T18:59:12Z)
• Lazy Visual Localization via Motion Averaging [89.8709956317671]
  本研究では,データベースからシーンを再構築することなく,高精度なローカライゼーションを実現することができることを示す。 実験の結果、我々の視覚的ローカライゼーションの提案であるLazyLocは、最先端の構造に基づく手法に対して同等のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T13:40:45Z)
• Visual Localization using Imperfect 3D Models from the Internet [54.731309449883284]
  本稿では,3次元モデルにおける欠陥が局所化精度に与える影響について検討する。 インターネットから得られる3Dモデルは、容易に表現できるシーン表現として有望であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T16:15:05Z)

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。