論文の概要: Benchmarking PhD-Level Coding in 3D Geometric Computer Vision

• arxiv url: http://arxiv.org/abs/2603.30038v1
• Date: Tue, 31 Mar 2026 17:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.962262
• Title: Benchmarking PhD-Level Coding in 3D Geometric Computer Vision
• Title（参考訳）: 3次元幾何学コンピュータビジョンにおけるPhDレベル符号化のベンチマーク
• Authors: Wenyi Li, Renkai Luo, Yue Yu, Huan-ang Gao, Mingju Gao, Li Yuan, Chaoyou Fu, Hao Zhao,
• Abstract要約: 3Dビジョンのためのコーディングを評価するベンチマークであるGeoCodeBenchを紹介する。 現在のエコシステムを反映する8つの代表的なオープンソースモデルとクローズドソースモデルを評価した。 ベストモデルであるGPT-5は36.6%のパスレートしか達成できなかった。
• 参考スコア（独自算出の注目度）: 43.42170296855238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-assisted coding has rapidly reshaped software practice and research workflows, yet today's models still struggle to produce correct code for complex 3D geometric vision. If models could reliably write such code, the research of our community would change substantially. To measure progress toward that goal, we introduce GeoCodeBench, a PhD-level benchmark that evaluates coding for 3D vision. Each problem is a fill-in-the-function implementation task curated from representative papers at recent venues: we first let a tool propose candidate functions from official repositories, then perform careful human screening to select core 3D geometric components. For every target, we generate diverse, edge-case unit tests, enabling fully automatic, reproducible scoring. We evaluate eight representative open- and closed-source models to reflect the current ecosystem. The best model, GPT-5, attains only 36.6% pass rate, revealing a large gap between current capabilities and dependable 3D scientific coding. GeoCodeBench organizes tasks into a two-level hierarchy: General 3D capability (geometric transformations and mechanics/optics formulation) and Research capability (novel algorithm implementation and geometric logic routing). Scores are positively correlated across these axes, but research-oriented tasks are markedly harder. Context ablations further show that "more paper text" is not always better: cutting off at the Method section statistically outperforms full-paper inputs, highlighting unresolved challenges in long-context scientific comprehension. Together, these findings position GeoCodeBench as a rigorous testbed for advancing from generic coding to trustworthy 3D geometric vision coding.
• Abstract（参考訳）: AI支援コーディングは、ソフトウェアプラクティスと研究ワークフローを急速に作り変えてきたが、今日のモデルは、複雑な3D幾何学的ビジョンのための正しいコードを生成するのに苦戦している。 もしモデルが確実にそのようなコードを書くことができれば、コミュニティの研究は大きく変わるでしょう。 この目標に向けての進捗を測定するために、3Dビジョンのためのコーディングを評価するPhDレベルのベンチマークであるGeoCodeBenchを紹介する。 それぞれの問題は、最近の会場で代表論文から算出された補足型実装タスクであり、まず、ツールに公式リポジトリから候補関数を提案し、次に、慎重に人間の検定を行い、コア3Dの幾何学的要素を選択する。 各ターゲットに対して、多種多様なエッジケース単体テストを生成し、完全に自動で再現可能なスコアリングを可能にします。 現在のエコシステムを反映する8つの代表的なオープンソースモデルとクローズドソースモデルを評価した。 最も優れたモデルであるGPT-5は36.6%のパスレートしか達成できず、現在の能力と信頼性の高い3Dサイエンスコーディングの間に大きなギャップがあることが判明した。 GeoCodeBenchは、タスクを2段階の階層にまとめる: 一般的な3D機能(幾何学変換とメカニクス/光学の定式化)とリサーチ機能(ノーベルアルゴリズムの実装と幾何学論理ルーティング)。 スコアはこれらの軸間で正に相関するが、研究指向のタスクは著しく難しい。 方法論のセクションでは、統計的に全文の入力を上回り、長文の科学的理解における未解決の課題を強調している。 これらとともに、GeoCodeBenchは、汎用的なコーディングから信頼できる3次元幾何学的ヴィジュアルコーディングへと進むための厳格なテストベッドとして位置づけられた。

関連論文リスト

• E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models [78.1674905950243]
  3次元幾何学基礎モデル(GFM)の総合ベンチマークを初めて提示する。 GFMは、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、スローまたは未使用のカメラパラメータを不要にする。 我々は16の最先端GFMを評価し、タスクやドメイン間の長所と短所を明らかにした。 すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
  論文  参考訳（メタデータ） (2025-06-02T17:53:09Z)
• Recovering 3D Human Mesh from Monocular Images: A Survey [49.00136388529404]
  単眼画像から人間のポーズと形状を推定することは、コンピュータビジョンにおける長年の問題である。 本調査は, 単分子型3次元メッシュ回収の課題に焦点を当てた。
  論文  参考訳（メタデータ） (2022-03-03T18:56:08Z)
• Deep Learning Based 3D Segmentation: A Survey [42.44509605101214]
  3Dセグメンテーションは、自律運転とロボット工学の応用でコンピュータビジョンの根幹的で難しい問題である。 近年、ディープラーニング技術が3Dセグメンテーションタスクの選択ツールとなっている。 本稿では,ディープラーニングに基づく3Dセグメンテーション技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-03-09T13:58:35Z)
• AutoML Segmentation for 3D Medical Image Data: Contribution to the MSD Challenge 2018 [2.9864637081333085]
  エンコーダ・デコーダアーキテクチャを用いた3次元畳み込みニューラルネットワークを開発し,本論文で述べる。 異方性ボキセルゲメトリーで作用し、異方性深さを持つ。
  論文  参考訳（メタデータ） (2020-05-20T11:47:02Z)

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。