論文の概要: Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and CrossParadigm Benchmark for Industrial Infrastructure

• arxiv url: http://arxiv.org/abs/2603.28660v1
• Date: Mon, 30 Mar 2026 16:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.516883
• Title: Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and CrossParadigm Benchmark for Industrial Infrastructure
• Title（参考訳）: Industrial 3D: 産業インフラのための地上LiDARポイントクラウドデータセットとクロスパラダイムベンチマーク
• Authors: Chao Yin, Hongzhe Yue, Qing Han, Difeng Hu, Zhenyu Liang, Fangzhou Lin, Bing Sun, Boyu Wang, Mingkai Li, Wei Yao, Jack C. P. Cheng,
• Abstract要約: 本研究では,水処理施設13施設から612万点を6ミリ分解能でラベル付けした地上LiDARデータセットであるIndustrial3Dを提案する。 最も近いMEPデータセットの6.6倍のスケールで、Industrial3Dは産業用3Dシーン理解のための最大かつ最も要求の多いテストベッドを提供する。
• 参考スコア（独自算出の注目度）: 11.030856353505795
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated semantic understanding of dense point clouds is a prerequisite for Scan-to-BIM pipelines, digital twin construction, and as-built verification--core tasks in the digital transformation of the construction industry. Yet for industrial mechanical, electrical, and plumbing (MEP) facilities, this challenge remains largely unsolved: TLS acquisitions of water treatment plants, chiller halls, and pumping stations exhibit extreme geometric ambiguity, severe occlusion, and extreme class imbalance that architectural benchmarks (e.g., S3DIS or ScanNet) cannot adequately represent. We present Industrial3D, a terrestrial LiDAR dataset comprising 612 million expertly labelled points at 6 mm resolution from 13 water treatment facilities. At 6.6x the scale of the closest comparable MEP dataset, Industrial3D provides the largest and most demanding testbed for industrial 3D scene understanding to date. We further establish the first industrial cross-paradigm benchmark, evaluating nine representative methods across fully supervised, weakly supervised, unsupervised, and foundation model settings under a unified benchmark protocol. The best supervised method achieves 55.74% mIoU, whereas zero-shot Point-SAM reaches only 15.79%--a 39.95 percentage-point gap that quantifies the unresolved domain-transfer challenge for industrial TLS data. Systematic analysis reveals that this gap originates from a dual crisis: statistical rarity (215:1 imbalance, 3.5x more severe than S3DIS) and geometric ambiguity (tail-class points share cylindrical primitives with head-class pipes) that frequency-based re-weighting alone cannot resolve. Industrial3D, along with benchmark code and pre-trained models, will be publicly available at https://github.com/pointcloudyc/Industrial3D.
• Abstract（参考訳）: 密点雲の自動意味理解は、Scan-to-BIMパイプライン、ディジタルツイン構築、そして建設業界のデジタルトランスフォーメーションにおけるアセット検証コアタスクの前提条件である。 しかし、工業機械、電気、配管(MEP)施設では、TLSによる水処理工場、チラーホール、ポンプステーションの買収は、建築ベンチマーク(例えばS3DISやScanNet)が適切に表現できないような、極端な幾何学的曖昧さ、厳しい閉塞、極端な階級的不均衡を示す。 本研究では,水処理施設13施設から612万点を6ミリ分解能でラベル付けした地上LiDARデータセットであるIndustrial3Dを提案する。 最も近いMEPデータセットの6.6倍のスケールで、Industrial3Dは産業用3Dシーン理解のための最大かつ最も要求の多いテストベッドを提供する。 さらに、第1の産業横断ベンチマークを確立し、統一されたベンチマークプロトコルの下で、完全教師付き、弱教師付き、教師なし、基礎モデル設定を含む9つの代表的手法を評価する。 最良監督法は55.74% mIoUであり、ゼロショットポイントSAMは15.79%-39.95パーセンテージポイントギャップに達し、工業TLSデータの未解決領域転送課題を定量化している。 統計的残差(215:1の不均衡、S3DISより3.5倍重い)と幾何学的曖昧さ(テールクラスポイントはヘッドクラスパイプと円筒型プリミティブを共有している)は周波数ベースの再重み付けだけでは解決できない。 Industrial3Dは、ベンチマークコードと事前トレーニングされたモデルとともに、https://github.com/pointcloudyc/Industrial3Dで公開される。

関連論文リスト

• Resolving Primitive-Sharing Ambiguity in Long-Tailed Industrial Point Cloud Segmentation via Spatial Context Constraints [9.6402526621774]
  リデューサやバルブなどの安全クリティカルなコンポーネントは、体系的に誤って分類される。 この研究は、工業用3Dデータに特有の2つの危機を、極端に不均衡な215:1比で特定する。 本研究では,局所的な類似構造を曖昧にするために,近傍の予測整合性を利用する空間的文脈制約を提案する。
  論文  参考訳（メタデータ） (2026-01-27T02:52:28Z)
• Zero-Shot Multi-Criteria Visual Quality Inspection for Semi-Controlled Industrial Environments via Real-Time 3D Digital Twin Simulation [5.0268543063681195]
  RGB-D空間における実シーンとリアルタイムデジタル双対(DT)を比較したポーズに依存しないゼロショット品質検査フレームワークを提案する。 提案手法は,オブジェクト検出とポーズ推定により,産業シーンを意味的に記述することで,効率的なリアルタイムDTレンダリングを実現する。 軸流モータの品質検査を特徴とする自動車用ユースケースに基づいて,本フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-28T14:19:31Z)
• 3D-ADAM: A Dataset for 3D Anomaly Detection in Additive Manufacturing [8.279480828330183]
  3D-ADAMは、添加物製造においてRGB+3D表面欠陥検出のための最初の大規模産業関連データセットである。 3D-ADAMは、14,120個の高分解能スキャン、217個のユニークなパーツで構成され、4つの産業用深度センサーで撮影されている。 12のカテゴリにまたがる27,346のアノテート欠陥と16のクラスにおけるマシンエレメント機能の27,346のアノテーションが含まれている。
  論文  参考訳（メタデータ） (2025-07-10T15:09:20Z)
• Towards High-Resolution 3D Anomaly Detection: A Scalable Dataset and Real-Time Framework for Subtle Industrial Defects [3.3913177957853935]
  MiniShiftは、最初の高解像度3D異常検出データセットである。 計算オーバーヘッドを最小限に抑えた複雑な幾何学的詳細を捉えるためのフレームワークであるSimple3Dを紹介する。
  論文  参考訳（メタデータ） (2025-07-10T05:19:16Z)
• TUM2TWIN: Introducing the Large-Scale Multimodal Urban Digital Twin Benchmark Dataset [90.97440987655084]
  都市デジタルツインズ(UDT)は、都市管理と多様なソースからの複雑な異種データの統合に欠かせないものとなっている。 これらの課題に対処するために、最初の総合的マルチモーダルなUrban Digital TwinベンチマークデータセットTUM2TWINを紹介する。 このデータセットには、地理的にセマンティックに整合した3Dモデルとネットワーク、およびさまざまな地球、モバイル、航空、衛星観測結果、約10,000ドル以上のデータサブセット、そして現在767GBのデータが含まれている。
  論文  参考訳（メタデータ） (2025-05-12T09:48:32Z)
• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• MMAD: A Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection [66.05200339481115]
  本稿では,産業異常検出における最初のフルスペクトルMLLMベンチマークであるMMADを提案する。 産業検査におけるMLLMの7つの重要なサブタスクを定義し,MMADデータセットを生成するための新しいパイプラインを設計した。 MMADを用いて,様々な最先端MLLMの包括的,定量的評価を行った。
  論文  参考訳（メタデータ） (2024-10-12T09:16:09Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)

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。