論文の概要: Resolving Long-Tail Ambiguity in Unsupervised 3D Point Cloud Segmentation with Language Priors

• arxiv url: http://arxiv.org/abs/2605.20737v1
• Date: Wed, 20 May 2026 05:42:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.500873
• Title: Resolving Long-Tail Ambiguity in Unsupervised 3D Point Cloud Segmentation with Language Priors
• Title（参考訳）: 教師なし3次元点群分割における言語先行詞による長期的あいまいさの解消
• Authors: Siqi Wei, Hongbin Xu, Feng Xiao, Tian Lan, Chun Li, Ming Li, Qiuxia Wu,
• Abstract要約: LangTailは言語誘導型階層型学習フレームワークである。 教師なし3Dセグメンテーションにおける長い尾のあいまいさを緩和する。 既存の手法をかなりの差で一貫して上回る。
• 参考スコア（独自算出の注目度）: 21.92314835722451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing approaches for unsupervised 3D point cloud segmentation predominantly rely on a purely visual similarity-based learning-by-clustering paradigm, which suffers from a fundamental limitation: long-tail ambiguity. In such a paradigm, features of minor classes are consistently absorbed by dominant clusters, leading to severely imbalanced predictions. To address this issue, we propose LangTail, a language-guided hierarchical learning framework that leverages the balanced world knowledge encoded in language models to mitigate long-tail ambiguity in unsupervised 3D segmentation. The key idea is to establish multi-level associations between language-derived semantic priors and visually underrepresented minor classes, thereby compensating for the biased attention of purely visual clustering toward dominant classes. Specifically, LangTail first constructs an entity-level semantic prior from language models, capturing balanced and fine-grained world knowledge across categories. These priors are injected into a hierarchical clustering framework via contrastive alignment. This guides multi-granularity semantic structure formation and prevents minor classes from being absorbed by dominant clusters, yielding more discriminative representations for underrepresented categories. Extensive experiments on ScanNet-v2, S3DIS, and nuScenes demonstrate that LangTail consistently outperforms existing methods by significant margins, \ie, +13.5, +12.9, and +8.9 mIoU, respectively. These results demonstrate the effectiveness of language priors in improving the representation of minority classes in 3D point clouds. The code will be released at: https://github.com/Whisky0129/langtail_official.
• Abstract（参考訳）: 教師なしの3Dポイントクラウドセグメンテーションに対する既存のアプローチは、主に、視覚的な類似性に基づく学習とクラスタリングのパラダイムに依存している。 このようなパラダイムでは、マイナークラスの特徴は支配的なクラスタによって一貫して吸収され、非常に不均衡な予測をもたらす。 この問題に対処するため,LangTailを提案する。LangTailは言語モデルに符号化されたバランスの取れた世界知識を利用して,教師なし3次元セグメンテーションにおける長期的曖昧さを軽減する言語誘導型階層学習フレームワークである。 キーとなる考え方は、言語由来のセマンティック・先行と視覚的に表現されていないマイノリティ・クラスとのマルチレベルな関連を確立することであり、それによって、純粋に視覚的なクラスタリングが支配的なクラスに偏った注意を補償することである。 具体的には、LangTailはまず言語モデルに先立ってエンティティレベルのセマンティクスを構築し、カテゴリ間でバランスのとれた、きめ細かい世界知識をキャプチャする。 これらの先行は、対照的なアライメントを通じて階層的なクラスタリングフレームワークに注入される。 このことは、多粒性意味構造の形成を導いており、マイナークラスが支配的なクラスタに吸収されることを防ぎ、未表現のカテゴリに対してより差別的な表現をもたらす。 ScanNet-v2 と S3DIS と nuScenes の広範な実験により、LangTail は、それぞれ +13.5 と +12.9 mIoU と +8.9 mIoU の差で、既存の手法を一貫して上回っていることが示されている。 これらの結果は,3次元点群におけるマイノリティクラス表現の改善における言語先行性の有効性を示すものである。 コードは、https://github.com/Whisky0129/langtail_officialでリリースされる。

関連論文リスト

• Class Distillation with Mahalanobis Contrast: An Efficient Training Paradigm for Pragmatic Language Understanding Tasks [1.1060425537315088]
  textbfClass textbfDistillation (ClaD)を提案する。 ClaDは2つの重要な革新を統合している: (i) クラス分布の構造的性質から得られる損失関数、(ii) クラス分離に最適化された解釈可能な決定アルゴリズム。
  論文  参考訳（メタデータ） (2025-05-17T04:34:19Z)
• Segment Any 3D Object with Language [58.471327490684295]
  本稿では,Segment any 3D Object with LanguagE (SOLE)を紹介した。 具体的には、バックボーンとデコーダの両方にマルチモーダル意味を組み込むマルチモーダル融合ネットワークを提案する。 我々のSOLEは、ScanNetv2、ScanNet200、Replicaベンチマークにおいて、従来の方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2024-04-02T17:59:10Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Generalized Robot 3D Vision-Language Model with Fast Rendering and Pre-Training Vision-Language Alignment [55.11291053011696]
  本研究は,ラベル付きシーンが極めて限定された場合の3次元シーン理解のためのフレームワークを提案する。 事前学習された視覚言語モデルから新しいカテゴリーの知識を抽出するために,階層的特徴整合型事前学習と知識蒸留戦略を提案する。 限定的な再構築の場合、提案手法はWS3D++と呼ばれ、大規模なScanNetベンチマークで1位にランクインした。
  論文  参考訳（メタデータ） (2023-12-01T15:47:04Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)

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。