論文の概要: SparseGF: A Height-Aware Sparse Segmentation Framework with Context Compression for Robust Ground Filtering Across Urban to Natural Scenes
- arxiv url: http://arxiv.org/abs/2604.21356v1
- Date: Thu, 23 Apr 2026 07:15:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.353936
- Title: SparseGF: A Height-Aware Sparse Segmentation Framework with Context Compression for Robust Ground Filtering Across Urban to Natural Scenes
- Title（参考訳）: SparseGF: 都市部から自然景観へのロバストな地層フィルタリングのための文脈圧縮型高認識スパースセグメンテーションフレームワーク
- Abstract要約: SparseGFはコンテキスト圧縮で強化された高さ対応スパースセグメンテーションフレームワークである。
複雑な都市の景観、混合地形における競争結果、密集した森林地帯における中等度かつ非破滅的な精度で高いパフォーマンスを達成している。
- 参考スコア（独自算出の注目度）: 13.187925022445434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality digital terrain models derived from airborne laser scanning (ALS) data are essential for a wide range of geospatial analyses, and their generation typically relies on robust ground filtering (GF) to separate point clouds across diverse landscapes into ground and non-ground parts. Although current deep-learning-based GF methods have demonstrated impressive performance, especially in specific challenging terrains, their cross-scene generalization remains limited by two persistent issues: the context-detail dilemma in large-scale processing due to limited computational resources, and the random misclassification of tall objects arising from classification-only optimization. To overcome these limitations, we propose SparseGF, a height-aware sparse segmentation framework enhanced with context compression. It is built upon three key innovations: (1) a convex-mirror-inspired context compression module that condenses expansive contexts into compact representations while preserving central details; (2) a hybrid sparse voxel-point network architecture that effectively interprets compressed representations while mitigating compression-induced geometric distortion; and (3) a height-aware loss function that explicitly enforces topographic elevation priors during training to suppress random misclassification of tall objects. Extensive evaluations on two large-scale ALS benchmark datasets demonstrate that SparseGF delivers robust GF across urban to natural terrains, achieving leading performance in complex urban scenes, competitive results on mixed terrains, and moderate yet non-catastrophic accuracy in densely forested steep areas. This work offers new insights into deep-learning-based GF research and encourages further exploration toward truly cross-scene generalization for large-scale environmental monitoring.
- Abstract（参考訳）: 空中レーザースキャン(ALS)データから得られた高品質なデジタル地形モデルは、広範囲の地理空間解析に不可欠であり、その生成は、様々な地形をまたいだ点雲を地上と非地上に分離するために、堅牢な地層フィルタリング(GF)に依存している。
現在のディープラーニングベースのGF法は、特に困難な地形において顕著な性能を示しているが、それらのクロスシーンの一般化は、計算資源の制限による大規模処理におけるコンテキスト-詳細ジレンマと、分類のみの最適化による背の高い物体のランダムな誤分類の2つの問題によって制限されている。
これらの制約を克服するために,文脈圧縮により強化された高さ対応スパースセグメンテーションフレームワークであるSparseGFを提案する。
中心的な細部を保ちながら拡張コンテキストをコンパクトな表現に凝縮する凸ミラー型コンテキスト圧縮モジュール,圧縮誘起幾何歪みを緩和しながら圧縮表現を効果的に解釈するハイブリッド・スパース・ボクセル・ポイント・ネットワークアーキテクチャ,および,高次物体のランダムな誤分類を明示的に強制する高さ認識損失関数の3つの重要なイノベーションに基づいて構築されている。
2つの大規模ALSベンチマークデータセットの大規模な評価は、SparseGFが都市から自然の地形をまたいだ堅牢なGFを提供し、複雑な都市景観における先進的なパフォーマンス、混合地形における競争結果、密集した森林地帯における中等度かつ非破滅的な精度を達成していることを示している。
この研究は、ディープラーニングに基づくGF研究に関する新たな知見を提供し、大規模環境モニタリングのための真にクロスシーンな一般化に向けたさらなる探求を奨励する。
関連論文リスト
- NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。
本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
論文 参考訳（メタデータ） (2026-04-16T07:14:07Z) - Gaussian Belief Propagation Network for Depth Completion [38.053489092019824]
深層学習法は最先端(SOTA)の性能を達成したが、入力深度データのスパースで不規則な性質を扱うことは大きな課題である。
本稿では,Gaussian Belief Propagation Network (GBPN)を紹介した。
GBPNはNYUv2ベンチマークとKITTIベンチマークでSOTA性能を達成した。
論文 参考訳（メタデータ） (2026-01-29T05:44:41Z) - GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。
提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。
GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-16T03:38:26Z) - D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。
疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。
本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
論文 参考訳（メタデータ） (2025-10-09T17:59:49Z) - LC-SLab -- An Object-based Deep Learning Framework for Large-scale Land Cover Classification from Satellite Imagery and Sparse In-situ Labels [25.42215602005236]
本研究では,大規模土地被覆分類のためのオブジェクトベース深層学習手法をスパース監督下で探索するLC-SLabを提案する。
LC-SLabは、グラフニューラルネットワークによる入力レベルアグリゲーションと、後処理の結果による出力レベルアグリゲーションの両方をサポートする。
その結果、オブジェクトベースの手法は、よりコヒーレントなマップを生成しながら、一般的なピクセル単位のモデルの精度を一致または超えることができることがわかった。
論文 参考訳（メタデータ） (2025-09-19T11:08:24Z) - Learning Fine-Grained Geometry for Sparse-View Splatting via Cascade Depth Loss [15.425094458647933]
粗い部分から細かい部分まで幾何を段階的に洗練する深度監視フレームワークである階層深度誘導平滑化(HDGS)を導入する。
マルチスケールの奥行き整合性を実現することにより,スパースビューのシナリオにおける構造的忠実度を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-28T12:16:42Z) - Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。
Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2025-05-27T05:17:49Z) - Topology-Aware 3D Gaussian Splatting: Leveraging Persistent Homology for Optimized Structural Integrity [3.792470553976718]
本研究はトポロジーを意識した3次元ガウス散乱(トポロジー-GS)を紹介する。
トポロジー-GSは、不完全な初期幾何学的カバレッジのためにピクセルレベルの構造的整合性を損なう。
3つの新しいビューベンチマーク実験により、PSNR、SSIM、LPIPSの指標で、Topology-GSが既存の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-12-21T13:25:03Z) - Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution [55.9977636042469]
圧縮深度マップ超解像のための新しいフレームワークGDNetを提案する。
グローバルおよび詳細な幾何学的特徴を別々に扱うことにより、高品質な深度マップ再構築プロセスを分離する。
我々の解は、幾何的整合性と詳細回復の観点から、現在の方法よりも大幅に優れています。
論文 参考訳（メタデータ） (2024-11-05T16:37:30Z) - CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。
分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。
本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
論文 参考訳（メタデータ） (2024-11-01T17:59:31Z) - LMSeg: An end-to-end geometric message-passing network on barycentric dual graphs for large-scale landscape mesh segmentation [5.698076346359676]
オーストラリアのビクトリア州にあるユネスコ世界遺産に登録されているBudj Bim文化景観から得られた大規模なアノテートメッシュデータセットであるBudjBim Wallデータセットを紹介した。
大規模メッシュのセマンティックセグメンテーションのためのディープグラフメッセージパッシングネットワークであるLMSegを提案する。
3つの大規模ベンチマーク(SUM、H3D、BBW)の実験では、LMSegはSUMで75.1% mIoU、H3Dで78.4% O.A.、BBWで62.4% mIoUを達成した。
論文 参考訳（メタデータ） (2024-07-05T07:55:06Z)
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。