論文の概要: EvObj: Learning Evolving Object-centric Representations for 3D Instance Segmentation without Scene Supervision

• arxiv url: http://arxiv.org/abs/2605.13152v1
• Date: Wed, 13 May 2026 08:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.903134
• Title: EvObj: Learning Evolving Object-centric Representations for 3D Instance Segmentation without Scene Supervision
• Title（参考訳）: EvObj:Scene Supervisionを使わずに3次元インスタンスセグメンテーションのためのオブジェクト中心表現を進化させる学習
• Authors: Jiahao Chen, Zihui Zhang, Yafei Yang, Jinxi Li, Shenxing Wei, Zhixuan Sun, Bo Yang,
• Abstract要約: Evは教師なしの3Dインスタンスセグメンテーションシステムで、合成事前学習データと実世界の点雲の間の幾何学的領域ギャップを橋渡しする。 この問題を解決するためにEvは、(1)オブジェクト候補を動的に洗練し、対象ドメインに先立ってオブジェクトの継続的な適応を可能にするオブジェクト識別モジュール、(2)オブジェクト発見後に部分的なジオメトリを再構築するオブジェクト補完モジュールの2つの革新的なモジュールを統合する。 実世界のデータセットと合成データセットの両方で広範な実験を行い、全てのベースラインに対して優れた3次元オブジェクトセグメンテーション性能を示しながら、最先端の結果を得る。
• 参考スコア（独自算出の注目度）: 16.459953869241595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce EvObj for unsupervised 3D instance segmentation that bridges the geometric domain gap between synthetic pretraining data and real-world point clouds. Current methods suffer from structural discrepancies when transferring object priors from synthetic datasets (e.g., ShapeNet) to real scans (e.g., ScanNet), particularly due to morphological variations and occlusion artifacts. To address this, EvObj integrates two innovative modules: (1) An object discerning module that dynamically refines object candidates, enabling continuous adaptation of object priors to target domains; and (2) An object completion module that reconstructs partial geometries after discovering objects. We conduct extensive experiments on both real-world and synthetic datasets, demonstrating superior 3D object segmentation performance over all baselines while achieving state-of-the-art results.
• Abstract（参考訳）: 本稿では,合成事前学習データと実世界の点雲の間の幾何学的領域ギャップを埋める,教師なし3次元インスタンスセグメンテーションのためのEvObjを紹介する。 現在の手法は、合成データセット(例:ShapeNet)から実際のスキャン(例:ScanNet)にオブジェクトを転送する際に、特に形態的変異と閉塞アーティファクトによって、構造的な違いに悩まされている。 この問題を解決するために、EvObjは、(1)オブジェクト候補を動的に洗練し、対象ドメインに先立ってオブジェクトの継続的な適応を可能にするオブジェクト識別モジュール、(2)オブジェクト発見後に部分的なジオメトリを再構築するオブジェクト補完モジュールの2つの革新的なモジュールを統合している。 実世界のデータセットと合成データセットの両方で広範な実験を行い、全てのベースラインに対して優れた3次元オブジェクトセグメンテーション性能を示しながら、最先端の結果を得る。

関連論文リスト

• ArtLLM: Generating Articulated Assets via 3D LLM [19.814132638278547]
  ArtLLMは、完全な3Dメッシュから直接高品質な調音資産を生成するための新しいフレームワークである。 コアとなるのは,大規模な調音データセットに基づいてトレーニングされた,3Dマルチモーダルな大規模言語モデルだ。 実験の結果,ArtLLMは部品配置精度と接合予測の両方で最先端の手法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2026-03-01T15:07:46Z)
• Online 3D Scene Reconstruction Using Neural Object Priors [83.14204014687938]
  本稿では,RGB-Dビデオシーケンスが与えられたオブジェクトのレベルにおいて,オンラインでシーンを再構成する問題に対処する。 本稿では,新しい対象部品が明らかになれば,オブジェクト中心の暗黙表現を継続的に更新する特徴グリッド機構を提案する。 提案手法は, 再建精度と完全性の観点から, 最先端のニューラル暗黙モデルより優れている。
  論文  参考訳（メタデータ） (2025-03-24T17:09:36Z)
• 3D Part Segmentation via Geometric Aggregation of 2D Visual Features [57.20161517451834]
  監督された3D部分分割モデルは、固定されたオブジェクトと部品のセットに合わせて調整されており、それらの転送可能性は、オープンセットの現実世界のシナリオに制限される。 近年、視覚言語モデル(VLM)を多視点レンダリングとテキストプロンプトを用いてオブジェクト部品の識別に活用する研究が進められている。 これらの制約に対処するために,視覚概念から抽出した意味論と3次元幾何学をブレンドし,対象部品を効果的に同定するCOPSを提案する。
  論文  参考訳（メタデータ） (2024-12-05T15:27:58Z)
• OA-DET3D: Embedding Object Awareness as a General Plug-in for Multi-Camera 3D Object Detection [77.43427778037203]
  我々は3Dオブジェクト検出を改善するプラグインモジュールであるOA-DET3Dを紹介する。 OA-DET3Dは、オブジェクト中心の深度情報と前景の擬似点を活用することにより、オブジェクトの表現を高める。 我々は、OA-DET3Dの有効性を検証するために、nuScenesデータセットとArgoverse 2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-01-13T06:02:31Z)
• Learning to Complete Object Shapes for Object-level Mapping in Dynamic Scenes [30.500198859451434]
  本研究では,動的シーンにおけるオブジェクトの分割,追跡,再構築を同時に行うオブジェクトレベルのマッピングシステムを提案する。 さらに、深度入力とカテゴリレベルの前の形状からの再構成を条件にすることで、完全なジオメトリを予測し、完成させることができる。 実世界の合成シーケンスと実世界のシーケンスの両方で定量的に定性的にテストすることで,その有効性を評価する。
  論文  参考訳（メタデータ） (2022-08-09T22:56:33Z)
• Unsupervised Kinematic Motion Detection for Part-segmented 3D Shape Collections [14.899075941080541]
  本研究では,部分分割型3次元形状収集における調音運動の発見のための教師なしアプローチを提案する。 私たちのアプローチは、カテゴリクロージャと呼ばれる概念に基づいています。オブジェクトの部分の有効な記述は、オブジェクトを同じ意味圏に保つべきです。 我々は、PartNet-Mobilityデータセットから部品の動きを再発見するためにこれを用いてアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-17T00:50:36Z)
• Neural Part Priors: Learning to Optimize Part-Based Object Completion in RGB-D Scans [27.377128012679076]
  本稿では,部分情報付き3次元形状の大規模合成データセットを活用してニューラル部品の先行学習を提案する。 実世界でスキャンされた3Dシーンをテスト時に適合させるために、学習した部分を最適化できます。 ScanNetデータセットの実験では、NPPは部分分解とオブジェクト補完において、技術の状態を大幅に上回っている。
  論文  参考訳（メタデータ） (2022-03-17T15:05:44Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

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。