論文の概要: A Bayesian Approach for Task-Specific Next-Best-View Selection with Uncertain Geometry

• arxiv url: http://arxiv.org/abs/2605.05095v1
• Date: Wed, 06 May 2026 16:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.933461
• Title: A Bayesian Approach for Task-Specific Next-Best-View Selection with Uncertain Geometry
• Title（参考訳）: 不確実な幾何学を用いたタスク特有な次ベストビュー選択のためのベイズ的アプローチ
• Abstract要約: 我々は,ポイントクラウドからの3次元再構成において,タスク固有のアクティブな次世代ビュー選択のためのフレームワークを開発する。 本フレームワークは,一般的に使用されているベースラインや従来の一般的な不確実性推論手法と比較して,より少ない視点で優れたタスク性能を実現する。
• 参考スコア（独自算出の注目度）: 50.782490644267334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a framework for task-specific active next-best-view selection in 3D reconstruction from point clouds, by casting the problem in the language of Bayesian decision theory. Our framework works by (a) placing a prior distribution over the space of implicit surfaces, (b) using recently-developed stochastic surface reconstruction methods to calculate the resulting posterior distribution, then (c) using the posterior distribution to carefully reason about which view to scan next. This enables us to perform camera selection in a manner that is directly optimized for the intended use of the reconstructed data - meaning, we reduce uncertainty only in those regions that make a difference in the task at hand, as opposed to prior approaches that reduce it uniformly across space. We evaluate our method across three distinct downstream tasks: semantic classification, segmentation, and PDE-guided physics simulation. Experimental results demonstrate that our framework achieves superior task performance with fewer views compared to commonly used baselines and prior general uncertainty-reduction techniques.
• Abstract（参考訳）: 本研究では,ポイント雲からの3次元再構成におけるタスク特異的なアクティブな次ベクタービュー選択のためのフレームワークを開発し,ベイズ決定論の言語で問題を提起する。 私たちのフレームワークは機能します a) 暗示面の空間に事前分布を置くこと。 (b)最近開発された確率的表面再構成法を用いて、得られた後部分布を計算し、 (c) 後部分布を用いて、次にどのビューをスキャンするかを慎重に判断する。 これにより、再構成されたデータを直接使用するために最適化された方法でカメラ選択を行うことが可能となる。つまり、空間を一様に削減する従来のアプローチとは対照的に、手作業の違いを生じさせる領域においてのみ不確実性を低減できる。 提案手法は,意味分類,セグメンテーション,PDE誘導物理シミュレーションの3つの異なるダウンストリームタスクにまたがって評価する。 実験により,本フレームワークは,一般的に使用されているベースラインや従来の不確実性推論手法と比較して,より少ない視点で優れたタスク性能を実現することが示された。

関連論文リスト

• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Occlusion Handling in 3D Human Pose Estimation with Perturbed Positional Encoding [15.834419910916933]
  固有基底から一貫した正規成分を抽出する新しい位置符号化手法PerturbPEを提案する。 実験結果では,Human3.6Mデータセットで最大12%のパフォーマンス向上が観測された。 我々の新しいアプローチは、2つのエッジが欠落しているシナリオのパフォーマンスを大幅に向上させ、最先端のベンチマークを新たに設定する。
  論文  参考訳（メタデータ） (2024-05-27T17:48:54Z)
• RBP-Pose: Residual Bounding Box Projection for Category-Level Pose Estimation [103.74918834553247]
  カテゴリーレベルのオブジェクトポーズ推定は、既知のカテゴリの集合からの任意のオブジェクトの3次元メートル法サイズだけでなく、6次元のポーズを予測することを目的としている。 近年の手法では, 観測された点雲を標準空間にマッピングし, 梅山アルゴリズムを用いてポーズとサイズを復元する手法が提案されている。 本稿では,オブジェクトのポーズと残差ベクトルを共同で予測する,幾何学誘導型残差オブジェクト境界ボックス投影ネットワーク RBP-Pose を提案する。
  論文  参考訳（メタデータ） (2022-07-30T14:45:20Z)
• Optimization of Directional Landmark Deployment for Visual Observer on SE(3) [11.064269835254791]
  3次元タスク空間内の所定の領域内に,所定の方向のランドマークを配置するための最適化手法を提案する。 この技術はランドマークとモノクラーカメラの両方の幾何学モデルに基づいて構築されている。 提案手法の有効性を検証するため,シミュレーションと実験を行った。
  論文  参考訳（メタデータ） (2022-03-28T04:06:14Z)
• A Probabilistic Framework for Dynamic Object Recognition in 3D Environment With A Novel Continuous Ground Estimation Method [0.0]
  3次元環境における動的物体認識のための確率的フレームワークを開発し提案する。 ガウス過程回帰(GPR)に基づく新しい手法が開発され、異なる都市シナリオにおける接地点を検出する。
  論文  参考訳（メタデータ） (2022-01-27T16:07:10Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Posterior Meta-Replay for Continual Learning [4.319932092720977]
  連続学習(CL)アルゴリズムは最近、i.i.dでトレーニングする必要性を克服しようとするため、多くの注目を集めている。 未知のターゲットデータ分布からのサンプル。 ベイズ的視点を取り入れ,タスク固有の後方分布を継続的に学習することによって,cl問題に取り組むための原理的な方法を検討した。
  論文  参考訳（メタデータ） (2021-03-01T17:08:35Z)
• Next-best-view Regression using a 3D Convolutional Neural Network [0.9449650062296823]
  本論文では,次のベストビュー問題に対するデータ駆動アプローチを提案する。 提案手法は、次のベストビューのbtxtpositionを抑えるために、以前の再構成で3D畳み込みニューラルネットワークを訓練する。 提案手法を2つの実験グループを用いて検証した。
  論文  参考訳（メタデータ） (2021-01-23T01:50:26Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端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） (2020-02-29T06:24:55Z)

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。