論文の概要: VGGT-Occ: Geometry-Grounded and Density-Aware Gated Fusion for 3D Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2605.16911v1
• Date: Sat, 16 May 2026 09:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.289
• Title: VGGT-Occ: Geometry-Grounded and Density-Aware Gated Fusion for 3D Occupancy Prediction
• Title（参考訳）: VGGT-Occ:3次元活動予測のための幾何学と密度認識型Gated Fusion
• Authors: Xun Chen, Tianchen Deng, Rui Wang, Fangjinhua Wang, Junyi Ma, Hongming Shen, Hesheng Wang, Danwei Wang,
• Abstract要約: VGGT-Occは、パイプライン全体に幾何学的トークンを埋め込むフレームワークである。 我々は,全ての注意段階に幾何学を注入するために,射影認識変形性注意(PA-DA)を導入する。 機能はビュー品質のセマンティックゲートを通じて統合され、ビュー間の一貫性が保たれる。
• 参考スコア（独自算出の注目度）: 37.542568613707296
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D semantic occupancy prediction requires accurate 2D-to-3D feature lifting, yet current methods restrict camera geometry to initial projections. Subsequent operations like offset learning, attention weighting, and cross-camera aggregation remain geometry-agnostic, ignoring essential physical constraints. We propose VGGT-Occ, a framework that embeds geometric tokens throughout the entire pipeline. We introduce Projection-Aware Deformable Attention (PA-DA) to inject geometry into all attention stages. PA-DA projects 3D offsets back to image planes and leverages the projection Jacobian as an additive bias to suppress unreliable observations. Features are then integrated through a view-quality semantic gate for cross-view consistency. To optimize both efficiency and performance, we employ a sequential coarse-to-fine decoder with gated fusion, where low-resolution features are refined into higher resolutions, allocating computation by information density while substantially reducing decoder cost. Extensive evaluations demonstrate the effectiveness and accuracy of our approach. On SurroundOcc-nuScenes, VGGT-Occ achieves 33.00\% IoU and 21.08\% mIoU ($T{=}1$), and 33.64\% IoU and 21.43\% mIoU with $T{=}2$ inference, outperforming existing methods, with only ${\sim}41$M trainable parameters in the occupancy head. Code will be released publicly.
• Abstract（参考訳）: 3Dセマンティック占有予測には正確な2D-to-3D特徴持ち上げが必要であるが、現在の手法ではカメラ形状を初期投影に制限している。 オフセット学習、注意重み付け、カメラ間凝集といったその後の操作は、幾何学的に依存しないままであり、必須の物理的制約を無視している。 パイプライン全体に幾何トークンを埋め込むフレームワークであるVGGT-Occを提案する。 我々は,全ての注意段階に幾何学を注入するために,射影認識変形性注意(PA-DA)を導入する。 PA-DAは3Dオフセットをイメージプレーンに投影し、ジャコビアンを加算バイアスとして利用して、信頼性の低い観測を抑える。 機能はビュー品質のセマンティックゲートを通じて統合され、ビュー間の一貫性が保たれる。 効率と性能の両面を最適化するために、ゲート融合を用いた逐次粗大デコーダを用い、低解像度の特徴を高分解能に洗練し、情報密度で計算を割り当てると共に、デコーダのコストを大幅に削減する。 大規模な評価は、我々のアプローチの有効性と正確性を示している。 SurroundOcc-nuScenesでは、VGGT-Occは33.00\% IoUと21.08\% mIoU(T{=}1$)、33.64\% IoUと21.43\% mIoUを$T{=}2$推論で達成し、既存の手法より優れている。 コードは公開されます。

関連論文リスト

• GemDepth: Geometry-Embedded Features for 3D-Consistent Video Depth [12.866152238833104]
  ビデオ深度推定は、一眼的予測を時間領域に拡張し、コヒーレンスを確保する。 現在のアプローチは主にトランスフォーマーによる時間的平滑化に依存しており、厳密な3次元幾何学的整合性を維持するのに苦労している。 GemDepthは,カメラモーションとグローバル3D構造を明確に認識することが3D一貫性の前提条件である,という知見に基づいて構築されたフレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T13:11:54Z)
• GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
  2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。 3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。 遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-10-02T16:37:56Z)
• DA-Occ: Efficient 3D Voxel Occupancy Prediction via Directional 2D for Geometric Structure Preservation [13.792614780020061]
  自律運転システムの性能を確保するためには,効率よく高精度な3D占有予測が不可欠である。 本手法では,3次元ボクセルの特徴をスライスして完全な垂直幾何情報を保存する。 この戦略は,Bird's-Eye View表現における高さキューの喪失を補償し,立体幾何学構造の整合性を維持する。
  論文  参考訳（メタデータ） (2025-07-31T14:39:31Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized Device Coordinates Space [77.6067460464962]
  SSC(Monocular 3D Semantic Scene Completion)は、単一の画像から複雑なセマンティックスや幾何学的形状を予測し、3D入力を必要としないため、近年大きな注目を集めている。 我々は,3次元空間に投影された2次元特徴の特徴的曖昧さ,3次元畳み込みのPose Ambiguity,深さの異なる3次元畳み込みにおける不均衡など,現在の最先端手法におけるいくつかの重要な問題を明らかにする。 シーン補完ネットワーク(NDC-Scene)を考案し,2を直接拡張する。
  論文  参考訳（メタデータ） (2023-09-26T02:09:52Z)
• PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic Occupancy Prediction [72.75478398447396]
  本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。 また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。 プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
  論文  参考訳（メタデータ） (2023-08-31T17:57:17Z)

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。