論文の概要: SGSoft: Learning Fused Semantic-Geometric Features for 3D Shape Correspondence via Template-Guided Soft Signals

• arxiv url: http://arxiv.org/abs/2605.18039v1
• Date: Mon, 18 May 2026 08:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.124853
• Title: SGSoft: Learning Fused Semantic-Geometric Features for 3D Shape Correspondence via Template-Guided Soft Signals
• Title（参考訳）: SGSoft:テンプレート誘導ソフト信号による3次元形状対応のための融合意味幾何学的特徴の学習
• Authors: Soyeon Yoon, Chang Wook Seo, Hyunjung Shim,
• Abstract要約: 変形可能な3次元形状にまたがる密接な対応を学習することは、構造的変動、非等方的変形、不整合トポロジーによる長年にわたる課題である。 SGSoftは、標準テンプレート上に測地対応フィールドを構築し、事前訓練されたセマンティックプリミティブによって導かれる多モード密度記述子を学習する統合固有のパイプラインである。 SGSoftは最先端のカテゴリー間一般化を実現し、従来の手法の中で最高の精度と効率のトレードオフを提供する。
• 参考スコア（独自算出の注目度）: 23.94595783675059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning dense correspondences across deformable 3D shapes remains a long-standing challenge due to structural variability, non-isometric deformation, and inconsistent topology. Existing methods typically trade off generalization, geometric fidelity, and efficiency. We address this by proposing SGSoft, a unified intrinsic pipeline that (i) constructs a geodesic correspondence field on a canonical template, (ii) learns multimodal dense descriptors guided by pretrained semantic priors with this geodesic correspondence field supervision, (iii) retrieves dense correspondences in a single feed-forward pass via nearest-neighbor search in descriptor space. This formulation enables stable and topology-invariant supervision under large pose variation, structural differences, and remeshing. SGSoft achieves state-of-the-art inter-category generalization while offering the best accuracy-efficiency trade-off among prior methods. It also achieves near real-time inference without pre-alignment, pairwise optimization, or post-refinement. Learned descriptors can be transferred effectively to downstream tasks such as semantic segmentation and deformation transfer, establishing a scalable and deployment-ready paradigm for dense 3D correspondence.
• Abstract（参考訳）: 変形可能な3次元形状にまたがる密接な対応を学習することは、構造的変動、非等方的変形、不整合トポロジーによる長年にわたる課題である。 既存の方法は通常、一般化、幾何学的忠実度、効率性をトレードオフする。 我々はSGSoftという統合固有のパイプラインを提案することでこの問題に対処する。 i)標準テンプレート上に測地対応フィールドを構築する。 (II)この測地的対応フィールドの監督により事前訓練されたセマンティック先導によるマルチモーダルな高密度記述子を学習する。 (iii)ディスクリプタ空間における最寄りの探索を通して、単一のフィードフォワードパス内の密度の高い対応を検索する。 この定式化は、大きなポーズの変化、構造的差異、リメッシングの下で安定かつ位相不変の監督を可能にする。 SGSoftは最先端のカテゴリー間一般化を実現し、従来の手法の中で最高の精度と効率のトレードオフを提供する。 また、事前調整、ペア最適化、あるいはポストリファインメントなしで、ほぼリアルタイムの推論を実現する。 学習された記述子は、セマンティックセグメンテーションや変形伝達といった下流タスクに効果的に転送することができ、密集した3D対応のためのスケーラブルで展開可能なパラダイムを確立することができる。

関連論文リスト

• OpenGaFF: Open-Vocabulary Gaussian Feature Field with Codebook Attention [80.51557267896938]
  オープンな3Dシーン理解のための新しいフレームワークであるOpenGaFFについて述べる。 我々の手法の中核はガウス的特徴場であり、ガウス幾何学と外見の連続関数として意味論をモデル化する。 オブジェクトレベルのセマンティック一貫性をさらに強化するために、共有セマンティックプリミティブのセットとして機能する構造化コードブックを導入する。
  論文  参考訳（メタデータ） (2026-05-07T12:10:07Z)
• LoST: Level of Semantics Tokenization for 3D Shapes [50.847769883816085]
  State-of-the-artメソッドは、もともとレンダリングと圧縮のために設計された幾何学的なレベル・オブ・ディテール(LoD)階層に依存している。 本稿では,初期接頭辞が完全かつ可塑性な形状をデコードするように,サリエンスを指示するレベル・オブ・セマンティックス・トークン化(LoST)を提案する。 LoSTはSOTA再構成を実現し、幾何的および意味的再構成のメトリクスにおいて、従来のLoDベースの3次元形状トークン化器を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2026-03-18T17:56:06Z)
• SGMatch: Semantic-Guided Non-Rigid Shape Matching with Flow Regularization [43.12848612518533]
  SGMatchは意味誘導型非厳密な形状マッチングのための学習ベースのフレームワークである。 具体的には,視覚基盤モデルから幾何学的記述子への意味的特徴を統合するセマンティックガイド型ローカルクロスアテンションモジュールを設計する。 本研究では,時間変化速度場を監督し,回復した対応の空間的滑らかさを促進する条件付きフローマッチングに基づく正規化目標を提案する。
  論文  参考訳（メタデータ） (2026-03-13T12:31:43Z)
• Shape-of-You: Fused Gromov-Wasserstein Optimal Transport for Semantic Correspondence in-the-Wild [7.4746628878102195]
  Shape-of-Youは意味対応のための教師なし学習フレームワークである。 SPair-71kおよびAP-10kデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-03-12T07:22:03Z)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• Hierarchical Neural Semantic Representation for 3D Semantic Correspondence [72.8101601086805]
  階層型ニューラルセマンティック表現(HNSR)を設計し,高次構造と多分解能局所幾何学的特徴を捉える。 第2に,グローバルなセマンティック特徴を用いた粗いセマンティック対応を確立する,プログレッシブなグローバル-ローカルマッチング戦略を設計する。 第3に,本フレームワークはトレーニングフリーで,様々なトレーニング済みの3D生成バックボーンと広範囲に互換性があり,多様な形状カテゴリにまたがる強力な一般化が示されている。
  論文  参考訳（メタデータ） (2025-09-22T07:23:07Z)
• Matching Shapes Under Different Topologies: A Topology-Adaptive Deformation Guided Approach [6.851721795186258]
  非厳密な3Dメッシュマッチングは、コンピュータビジョンとコンピュータグラフィックスパイプラインにおける重要なステップである。 トポロジカルアーティファクトを含むメッシュに取り組み、現在のアプローチによる仮定を破ることができる。 私たちは、しばしばトポロジカルなアーティファクトに悩まされる、フレームごとのマルチビュー再構築のような現実世界のシナリオに動機付けられています。 提案手法は, 従来のデータ駆動手法に頼らず, 3次元アライメント品質の大規模データセットでトレーニングした手法よりも, ノイズの多いフレーム単位のマルチビュー再構成を含む, トポロジカルアーチファクトの非等尺形状や形状に適用される。
  論文  参考訳（メタデータ） (2025-09-08T16:29:44Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)

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。