論文の概要: H2G: Hierarchy-Aware Hyperbolic Grouping for 3D Scenes

• arxiv url: http://arxiv.org/abs/2605.11967v1
• Date: Tue, 12 May 2026 11:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.816581
• Title: H2G: Hierarchy-Aware Hyperbolic Grouping for 3D Scenes
• Title（参考訳）: H2G:3Dシーンのための階層型ハイパーボリックグルーピング
• Authors: ByungHa Ko, Youngmin Lee, Dong Hwan Kim,
• Abstract要約: 階層的な3Dグルーピングは、セマンティックラベルや固定語彙に頼ることなく、複数の粒度にわたるシーングループを復元することを目的としている。 階層型3次元グルーピングのための双曲アフィニティ場であるH2Gを提案する。 階層を意識した目的は、フィールドを微調整、粗いオブジェクト構造、コンパクトな特徴クラスタ、LCA(Lowest Common Ancestor)順序で整列させる。
• 参考スコア（独自算出の注目度）: 14.80059553412652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical 3D grouping aims to recover scene groups across multiple granularities, from fine object parts to complete objects, without relying on semantic labels or a fixed vocabulary. The main challenge is to transform 2D foundation-model cues into coherent hierarchy supervision and embed that hierarchy in a 3D representation. We propose H2G, a hyperbolic affinity field for hierarchical 3D grouping. Our method derives semantically organized tree supervision by interpreting foundation-model affinities through Dasgupta's objective for similarity-based hierarchical clustering. This supervision is distilled into a single Lorentz hyperbolic feature field, whose geometry is well suited for tree-like branching structures. A hierarchy-aware objective aligns the field with fine-level assignments, coarse object structure, compact feature clusters, and LCA (Lowest Common Ancestor) ordering. This formulation represents multiple grouping levels in one feature space, enabling semantic hierarchical grouping grounded in 2D foundation-model knowledge.
• Abstract（参考訳）: 階層的な3Dグルーピングは、セマンティックラベルや固定語彙に頼ることなく、細かいオブジェクトから完全なオブジェクトまで、複数の粒度のシーングループを復元することを目的としている。 主な課題は、2Dファウンデーションモデルキューをコヒーレントな階層管理に変換し、その階層を3D表現に埋め込むことである。 階層型3次元グルーピングのための双曲アフィニティ場であるH2Gを提案する。 本手法は, 類似性に基づく階層的クラスタリングを目的としたDasguptaの目的を通じて, 基礎モデル親和性を解釈することにより, 意味的に整理された木の管理を導出する。 この監督は1つのローレンツ双曲的特徴体に蒸留され、その幾何学は木のような分岐構造によく適している。 階層を意識した目的は、フィールドを微調整、粗いオブジェクト構造、コンパクトな特徴クラスタ、LCA(Lowest Common Ancestor)順序で整列させる。 この定式化は、1つの特徴空間における複数のグループ化レベルを表し、2次元基礎モデル知識に基づく意味的階層的グループ化を可能にする。

関連論文リスト

• TreeGaussian: Tree-Guided Cascaded Contrastive Learning for Hierarchical Consistent 3D Gaussian Scene Segmentation and Understanding [19.718058183540624]
  木誘導型コントラスト学習フレームワークであるTreeGaussianを紹介する。 マルチレベルオブジェクトツリーを構築することで、TreeGaussianは、オブジェクト-部分階層間の構造化学習を可能にする。 不安定なガウス点を抑えながらビューを整列させるグラフベースのデノナイジングモジュールが導入された。
  論文  参考訳（メタデータ） (2026-03-31T10:22:28Z)
• Explaining, Verifying, and Aligning Semantic Hierarchies in Vision-Language Model Embeddings [10.299190830046872]
  本稿では,VLMによって誘発されるセマンティック階層を,特定の子クラスに対して説明し,検証し,調整するためのポストホックフレームワークを提案する。 我々は,効率的な木認識とエッジレベルの整合性尺度を用いて,抽出した木と人間の検索を比較して妥当性を定量化し,説明可能な階層木トラバース推定による有用性を評価する。
  論文  参考訳（メタデータ） (2026-03-26T00:38:38Z)
• Hierarchical Collaborative Fusion for 3D Instance-aware Referring Expression Segmentation [91.2768117730855]
  一般化された3D参照式(3D-GRES)は、記述が複数またはゼロのターゲットと一致する場合でも、自然言語に基づいて3Dシーン内のオブジェクトをローカライズする。 既存の方法はスパース・ポイント・クラウドにのみ依存しており、きめ細かい説明のためのリッチ・ビジュアル・セマンティクスが欠如している。 HCF-RESは2つの重要なイノベーションを持つマルチモーダルフレームワークである。
  論文  参考訳（メタデータ） (2026-03-06T13:09:29Z)
• HeRO: Hierarchical 3D Semantic Representation for Pose-aware Object Manipulation [54.325346533275074]
  HeROは、階層的意味論を通して幾何学と意味論を結合する拡散ベースのポリシーである。 様々なテストにおいて、HeROは新しい最先端技術を確立し、Place Dual Shoesの成功率を12.3%改善し、6つの挑戦的なポーズ対応タスクで平均6.5%向上した。
  論文  参考訳（メタデータ） (2026-02-21T12:29:10Z)
• SeqAffordSplat: Scene-level Sequential Affordance Reasoning on 3D Gaussian Splatting [85.87902260102652]
  本稿では, 連続3次元ガウシアン・アフラマンス推論の課題について紹介する。 次に,SeqSplatNetを提案する。SqSplatNetは,命令を直接3Dアベイランスマスクのシーケンスにマッピングするエンドツーエンドフレームワークである。 本手法は,1段階のインタラクションから,シーンレベルでの複雑なシーケンシャルなタスクへの可利用性推論を効果的に向上させる。
  論文  参考訳（メタデータ） (2025-07-31T17:56:55Z)
• Open-Vocabulary Indoor Object Grounding with 3D Hierarchical Scene Graph [0.0]
  OVIGo-3DHSGは階層的なシーングラフ上の広い屋内環境を表す。 階層的表現は、床、部屋、場所、オブジェクト間の空間関係を明示的にモデル化する。 提案手法は,既存の手法と比較して,効率的なシーン理解とロバストなオブジェクトグラウンド化を実証する。
  論文  参考訳（メタデータ） (2025-07-16T10:47:12Z)
• Hi-LSplat: Hierarchical 3D Language Gaussian Splatting [11.810729064982372]
  Hi-LSplatは3Dオープン語彙クエリのためのビュー一貫性のある階層型言語ガウシアンスプラッティングである。 2つの階層的なセマンティックデータセットを構築し、異なるセマンティックレベルを識別するモデルの能力をよりよく評価する。
  論文  参考訳（メタデータ） (2025-06-07T14:56:19Z)
• View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
  我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。 本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。 提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-30T04:14:58Z)
• HyperSDFusion: Bridging Hierarchical Structures in Language and Geometry for Enhanced 3D Text2Shape Generation [55.95329424826433]
  テキストから3次元形状を生成する2分岐拡散モデルHyperSDFusionを提案する。 双曲空間におけるテキストと3次元形状の階層的表現を学習する。 本手法は,テキスト・ツー・シェイプ生成のための双曲的階層表現を初めて探求する手法である。
  論文  参考訳（メタデータ） (2024-03-01T08:57:28Z)
• OmniSeg3D: Omniversal 3D Segmentation via Hierarchical Contrastive Learning [31.234212614311424]
  OmniSeg3Dは,すべてのものを同時に3Dでセグメント化するための全次元セグメント化手法である。 不整合な2Dセグメンテーションによって引き起こされる課題に対処するため、このフレームワークはグローバルな一貫した3D機能フィールドを生み出す。 提案手法が高品質な3次元セグメンテーションと正確な階層構造理解に与える影響を実験により実証した。
  論文  参考訳（メタデータ） (2023-11-20T11:04:59Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。