論文の概要: Scene-Agnostic Object-Centric Representation Learning for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2604.09045v1
• Date: Fri, 10 Apr 2026 07:07:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.740857
• Title: Scene-Agnostic Object-Centric Representation Learning for 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス平滑化のためのシーン非依存的物体中心表現学習
• Abstract要約: 3次元ガウススプラッティングにおけるオブジェクト表現学習のためのデータセットレベルのオブジェクト中心監視方式(DGS)を提案する。 シーンに依存しないコードブックを学習し、ビューやシーンにまたがって一貫したアイデンティティによる表現を提供する。 そこで本手法では,教師なしオブジェクト中心学習(OCL)を3DGSに導入し,より構造化された表現と下流タスクの一般化を実現した。
• 参考スコア（独自算出の注目度）: 19.34842238166971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent works on 3D scene understanding leverage 2D masks from visual foundation models (VFMs) to supervise radiance fields, enabling instance-level 3D segmentation. However, the supervision signals from foundation models are not fundamentally object-centric and often require additional mask pre/post-processing or specialized training and loss design to resolve mask identity conflicts across views. The learned identity of the 3D scene is scene-dependent, limiting generalizability across scenes. Therefore, we propose a dataset-level, object-centric supervision scheme to learn object representations in 3D Gaussian Splatting (3DGS). Building on a pre-trained slot attention-based Global Object Centric Learning (GOCL) module, we learn a scene-agnostic object codebook that provides consistent, identity-anchored representations across views and scenes. By coupling the codebook with the module's unsupervised object masks, we can directly supervise the identity features of 3D Gaussians without additional mask pre-/post-processing or explicit multi-view alignment. The learned scene-agnostic codebook enables object supervision and identification without per-scene fine-tuning or retraining. Our method thus introduces unsupervised object-centric learning (OCL) into 3DGS, yielding more structured representations and better generalization for downstream tasks such as robotic interaction, scene understanding, and cross-scene generalization.
• Abstract（参考訳）: 近年,視覚基礎モデル(VFM)の2次元マスクを利用した3次元シーン理解に関する研究が進められている。 しかしながら、ファンデーションモデルからの監視信号は基本的にはオブジェクト指向ではなく、ビュー間のマスクアイデンティティの衝突を解決するために、マスク前/後処理や特別なトレーニングと損失設計を必要とすることが多い。 3Dシーンの学習されたアイデンティティはシーン依存であり、シーン間の一般化性を制限する。 そこで本研究では,3次元ガウススティング(3DGS)におけるオブジェクト表現を学習するための,データセットレベルのオブジェクト中心の監視手法を提案する。 事前に訓練されたスロットアテンションに基づくGlobal Object Centric Learning (GOCL) モジュール上に構築され、ビューやシーンをまたいだ一貫したアイデンティティを持つ表現を提供する、シーンに依存しないオブジェクトコードブックを学習する。 コードブックをモジュールの教師なしのオブジェクトマスクと結合することにより、マスク前/後処理や明示的なマルチビューアライメントなしに、3Dガウスのアイデンティティ機能を直接監視することができる。 学習シーンに依存しないコードブックは、シーンごとの微調整や再訓練なしに、オブジェクトの監視と識別を可能にする。 そこで本手法では, 教師なしオブジェクト中心学習(OCL)を3DGSに導入し, より構造化された表現と, ロボットインタラクション, シーン理解, クロスシーンの一般化などの下流タスクのより優れた一般化を実現する。

関連論文リスト

• Chat-Scene++: Exploiting Context-Rich Object Identification for 3D LLM [71.01178857331969]
  Chat-Scene++は3Dシーンをコンテキストリッチなオブジェクトシーケンスとして表現するMLLMフレームワークである。 Chat-Scene++は、シーンをコンテキスト意味を持ったオブジェクトのシーケンスとして構成することにより、オブジェクト中心の表現とインタラクションを可能にする。 Chat-Scene++は5つの主要な3Dビジョン言語ベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-29T04:16:04Z)
• Masking Matters: Unlocking the Spatial Reasoning Capabilities of LLMs for 3D Scene-Language Understanding [37.97359376885946]
  3次元空間言語指導マスク(3D-SLIM)は,3次元シーンの空間構造に合わせて,因果マスクを適応的注意マスクに置き換える効果的なマスキング戦略である。 3D-SLIMは単純で、アーキテクチャの変更を必要とせず、余分なパラメータを追加しないが、多様な3Dシーン言語タスク間で大幅なパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T07:22:36Z)
• CORE-3D: Context-aware Open-vocabulary Retrieval by Embeddings in 3D [0.0]
  3Dシーンの理解は、AIとロボティクスの具体化の基礎であり、インタラクションとナビゲーションの信頼性をサポートする。 近年のアプローチでは、視覚言語モデル(VLM)により生成された2次元クラス非依存マスクに埋め込みベクトルを割り当てることで、ゼロショットでオープンな3Dセマンティックマッピングを実現している。 プログレッシブな粒度改善を施したセマンティックSAMを用いて、より正確で多数のオブジェクトレベルのマスクを生成する。
  論文  参考訳（メタデータ） (2025-09-29T09:43:00Z)
• ObjectGS: Object-aware Scene Reconstruction and Scene Understanding via Gaussian Splatting [54.92763171355442]
  ObjectGSは3Dシーンをセマンティックな理解と統合するオブジェクト認識フレームワークである。 我々はObjectGSがオープンボキャブラリやパン光学のセグメンテーションタスクにおいて最先端の手法より優れていることを示す実験を通して示す。
  論文  参考訳（メタデータ） (2025-07-21T10:06:23Z)
• Feed-Forward SceneDINO for Unsupervised Semantic Scene Completion [86.34232220368855]
  1つの入力画像が与えられた場合、SceneDINOは3D幾何学と表現的な3DDINO特徴をフィードフォワードで推測する。 3Dと2Dの両方の教師なしシーン理解では、SceneDINOは最先端のセグメンテーション精度に達する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:50Z)
• GrabS: Generative Embodied Agent for 3D Object Segmentation without Scene Supervision [7.511342491529451]
  複雑な点雲における3次元物体のセグメンテーションの難しさについて,人間の3次元シーンのラベルを監督のために必要とせずに検討した。 事前訓練された2D特徴の類似性や3Dポイントをオブジェクトとしてグループ化する動きなどの外部信号に頼ることで、既存の教師なし手法は車のような単純な物体を識別することに限定される。
  論文  参考訳（メタデータ） (2025-04-16T04:13:53Z)
• LSceneLLM: Enhancing Large 3D Scene Understanding Using Adaptive Visual Preferences [70.0873383646651]
  LSceneLLMはタスク関連領域を自動的に識別する適応型フレームワークである。 濃密なトークンセレクタは、LDMの注意マップを調べて、命令入力の視覚的嗜好を特定する。 適応自己保持モジュールを利用して、粗い粒度と選択されたきめ細かい視覚情報を融合する。
  論文  参考訳（メタデータ） (2024-12-02T09:07:57Z)
• 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)
• HyperDet3D: Learning a Scene-conditioned 3D Object Detector [154.84798451437032]
  本研究では3次元物体検出のためのシーン条件付き事前知識を探索するためにHyperDet3Dを提案する。 我々のHyperDet3Dは、ScanNetとSUN RGB-Dデータセットの3Dオブジェクト検出ベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2022-04-12T07:57:58Z)

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。