論文の概要: Bridging the Dimensionality Gap: A Taxonomy and Survey of 2D Vision Model Adaptation for 3D Analysis

• arxiv url: http://arxiv.org/abs/2604.03334v1
• Date: Fri, 03 Apr 2026 06:02:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.520072
• Title: Bridging the Dimensionality Gap: A Taxonomy and Survey of 2D Vision Model Adaptation for 3D Analysis
• Title（参考訳）: 次元ギャップをブリッジする:3次元解析のための2次元視覚モデル適応の分類と調査
• Authors: Akshat Pandya, Bhavuk Jain,
• Abstract要約: 2次元視覚における畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、これらのアーキテクチャを3次元解析の複雑な領域に拡張する大きな研究を刺激している。 しかし、2D画像の正則で密度の高い格子と、点雲やメッシュのような不規則でスパースな3Dデータの二分法によって、中心的な課題が生じる。 この調査は、このギャップを埋め、それらを3つのファミリーに分類する、包括的なレビューと適応戦略の統一的な分類を提供する。
• 参考スコア（独自算出の注目度）: 0.3777013254942467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The remarkable success of Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs) in 2D vision has spurred significant research in extending these architectures to the complex domain of 3D analysis. Yet, a core challenge arises from a fundamental dichotomy between the regular, dense grids of 2D images and the irregular, sparse nature of 3D data such as point clouds and meshes. This survey provides a comprehensive review and a unified taxonomy of adaptation strategies that bridge this gap, classifying them into three families: (1) Data-centric methods that project 3D data into 2D formats to leverage off-the-shelf 2D models, (2) Architecture-centric methods that design intrinsic 3D networks, and (3) Hybrid methods, which synergistically combine the two modeling paradigms to benefit from both rich visual priors of large 2D datasets and explicit geometric reasoning of 3D models. Through this framework, we qualitatively analyze the fundamental trade-offs between these families concerning computational complexity, reliance on large-scale pre-training, and the preservation of geometric inductive biases. We discuss key open challenges and outline promising future research directions, including the development of 3D foundation models, advancements in self-supervised learning (SSL) for geometric data, and the deeper integration of multi-modal signals.
• Abstract（参考訳）: 2次元視覚における畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)の顕著な成功は、これらのアーキテクチャを3D分析の複雑な領域に拡張する大きな研究を刺激している。 しかし、2D画像の正則で密度の高い格子と、点雲やメッシュのような不規則でスパースな3Dデータとの間の根本的な二分法によって、中心的な課題が生じる。 本調査では, このギャップを埋める適応戦略の総合的分類と分類を行い, 1) 既成の2次元モデルを活用するために3次元データを2次元形式に投影するデータ中心手法, (2) 固有の3次元ネットワークを設計するアーキテクチャ中心手法, (3) ハイブリッド手法の2つのパラダイムを相乗的に組み合わせ, 大きな2次元データセットのリッチな視覚的前提と3次元モデルの明示的な幾何学的推論の両面から恩恵を受ける。 この枠組みを通じて、計算複雑性、大規模事前学習への依存、幾何学的帰納バイアスの保存に関するこれらの家族間の基本的なトレードオフを質的に分析する。 本稿では,3次元基礎モデルの開発,幾何学データのための自己教師付き学習(SSL)の進歩,マルチモーダル信号のより深い統合など,今後の研究の方向性について論じる。

関連論文リスト

• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
  単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。 本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。 実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
  論文  参考訳（メタデータ） (2024-03-15T12:24:36Z)
• 3D Face Reconstruction Using A Spectral-Based Graph Convolution Encoder [3.749406324648861]
  本稿では,既存の2次元機能と3次元機能を統合し,モデル学習プロセスを導く革新的なアプローチを提案する。 我々のモデルはデータセットの組み合わせから2D-3Dデータペアを用いて訓練され、NoWベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-08T11:09:46Z)
• Retrieval-Augmented Score Distillation for Text-to-3D Generation [30.57225047257049]
  テキストから3D生成における検索に基づく品質向上のための新しいフレームワークを提案する。 我々はReDreamが幾何整合性を高めて優れた品質を示すことを示すために広範な実験を行った。
  論文  参考訳（メタデータ） (2024-02-05T12:50:30Z)
• Deep Generative Models on 3D Representations: A Survey [81.73385191402419]
  生成モデルは、新しいインスタンスを生成することによって観測データの分布を学習することを目的としている。 最近、研究者は焦点を2Dから3Dにシフトし始めた。 3Dデータの表現は、非常に大きな課題をもたらします。
  論文  参考訳（メタデータ） (2022-10-27T17:59:50Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
  射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。 具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。 本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-29T12:30:39Z)

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。