論文の概要: CompassAD: Intent-Driven 3D Affordance Grounding in Functionally Competing Objects

• arxiv url: http://arxiv.org/abs/2604.02060v1
• Date: Thu, 02 Apr 2026 13:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.835496
• Title: CompassAD: Intent-Driven 3D Affordance Grounding in Functionally Competing Objects
• Title（参考訳）: CompassAD: 機能的に競合するオブジェクトのインテント駆動型3D Affordance Grounding
• Authors: Jingliang Li, Jindou Jia, Tuo An, Chuhao Zhou, Xiangyu Chen, Shilin Shan, Boyu Ma, Bofan Lyu, Gen Li, Jianfei Yang,
• Abstract要約: 現実世界のシーンでは、複数のオブジェクトが同じ余裕を共有することがあるが、与えられたタスクコンテキストの下で適切なのは1つだけである。 Intent-Driven Instructions の下で,マルチオブジェクトアフォーマンスグラウンドを定式化する。 我々は,マルチオブジェクトシーンの暗黙的意図に着目した最初のベンチマークであるCompassADを構築した。
• 参考スコア（独自算出の注目度）: 23.801781337960914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When told to "cut the apple," a robot must choose the knife over nearby scissors, despite both objects affording the same cutting function. In real-world scenes, multiple objects may share identical affordances, yet only one is appropriate under the given task context. We call such cases confusing pairs. However, existing 3D affordance methods largely sidestep this challenge by evaluating isolated single objects, often with explicit category names provided in the query. We formalize Multi-Object Affordance Grounding under Intent-Driven Instructions, a new 3D affordance setting that requires predicting a per-point affordance mask on the correct object within a cluttered multi-object point cloud, conditioned on implicit natural language intent. To study this problem, we construct CompassAD, the first benchmark centered on implicit intent in confusable multi-object scenes. It comprises 30 confusing object pairs spanning 16 affordance types, 6,422 scenes, and 88K+ query-answer pairs. Furthermore, we propose CompassNet, a framework that incorporates two dedicated modules tailored to this task. Instance-bounded Cross Injection (ICI) constrains language-geometry alignment within object boundaries to prevent cross-object semantic leakage. Bi-level Contrastive Refinement (BCR) enforces discrimination at both geometric-group and point levels, sharpening distinctions between target and confusable surfaces. Extensive experiments demonstrate state-of-the-art results on both seen and unseen queries, and deployment on a robotic manipulator confirms effective transfer to real-world grasping in confusing multi-object scenes.
• Abstract（参考訳）: と言われたとき、ロボットは近くのハサミよりもナイフを選ばなければならない。 現実世界のシーンでは、複数のオブジェクトが同じ余裕を共有することがあるが、与えられたタスクコンテキストの下で適切なのは1つだけである。 このようなケースを紛らわしいペアと呼ぶ。 しかし、既存の3Dアベイランス手法は、しばしばクエリに明示的なカテゴリ名を付与して、孤立した単一のオブジェクトを評価することで、この課題を大半を踏襲している。 Intent-Driven Instructions の下では,乱雑なマルチオブジェクトポイントクラウド内の適切なオブジェクトに対して,暗黙の自然言語意図に基づいて,ポイント当たりのアベイランスマスクの予測を必要とする新しい3Dアベイランス設定であるマルチオブジェクトアフォーマンスグラウンドを定式化する。 そこで本研究では,マルチオブジェクトシーンに対する暗黙的意図に着目した最初のベンチマークであるCompassADを構築した。 16種類の価格帯、6,422のシーン、88K以上のクエリ・アンサー・ペアにまたがる30の混乱したオブジェクトペアで構成されている。 さらに,このタスクに適した2つの専用モジュールを組み込んだCompassNetを提案する。 インスタンス境界のクロスインジェクション(ICI)は、オブジェクト境界内の言語-幾何学的アライメントを制約し、オブジェクト間のセマンティックリークを防止する。 Bi-level Contrastive Refinement (BCR) は、幾何学群と点レベルでの識別を強制し、ターゲットと凹面の区別を鋭くする。 ロボットマニピュレータへの展開は、混乱した多目的シーンにおける現実世界の把握に効果的に移行することを確認する。

関連論文リスト

• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• Chat-Scene: Bridging 3D Scene and Large Language Models with Object Identifiers [65.51132104404051]
  オブジェクトレベルのシーンと対話するために、オブジェクト識別子とオブジェクト中心表現を導入する。 我々のモデルは、ScanRefer、Multi3DRefer、Scan2Cap、ScanQA、SQA3Dなど、既存のベンチマーク手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-12-13T14:27:45Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• OGC: Unsupervised 3D Object Segmentation from Rigid Dynamics of Point Clouds [4.709764624933227]
  OGCと呼ばれる最初の教師なしの手法を提案し、同時に複数の3Dオブジェクトを1つの前方通過で識別する。 提案手法を5つのデータセット上で広範囲に評価し,オブジェクト部分のインスタンスセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2022-10-10T07:01:08Z)

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。