Fugu-MT 論文翻訳(概要): S23DR 2026 Winning Solution

論文の概要: S23DR 2026 Winning Solution

arxiv url: http://arxiv.org/abs/2606.06695v1
Date: Thu, 04 Jun 2026 20:19:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-08 14:33:29.434274
Title: S23DR 2026 Winning Solution
Title（参考訳）: S23DR 2026 ウィンニングソリューション
Authors: Jan Skvrna, Miroslav Purkrabek, Lukas Neumann,
Abstract要約: 本文は、スパースSfMからの構造化3次元ワイヤフレーム再構成におけるS23DR 2026チャレンジの勝利解を示す。グローバルパスは粗い構造を予測し、船体に挟まれた第2のパスはそれを洗練し、小さなマルチサンプルコンセンサスステップはサンプルを適切に振る舞う。最終システムは、HSS = 0.654 を達成し、民間のリーダーボードにランクインした。
参考スコア（独自算出の注目度）: 1.9116784879310027
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This text presents the winning solution to the S23DR 2026 challenge for structured 3D wireframe reconstruction from sparse SfM, fitted depth, and semantic segmentations. The method treats vertices as a conditional set and denoises 64 vertex tokens with a flow-matching DiT conditioned on Perceiver-style scene tokens. A global pass predicts the coarse structure, a hull-cropped second pass refines it, and a small multi-sample consensus step keeps the stochastic sampler well behaved. The final system ranked first on the private leaderboard, achievingHSS = 0.654.
Abstract（参考訳）: このテキストは、スパースSfM、嵌合深さ、セマンティックセグメンテーションから構造化された3次元ワイヤフレーム再構築のためのS23DR 2026チャレンジの勝利解を示す。この方法は、頂点を条件集合として扱い、Perceiverスタイルのシーントークンに条件付きフローマッチングDiTで64頂点トークンを識別する。グローバルパスは粗い構造を予測し、船体被覆された第2パスはそれを洗練し、小さなマルチサンプルコンセンサスステップは確率的なサンプリング器の動作を良好に保つ。最終システムは、HSS = 0.654 を達成し、民間のリーダーボードにランクインした。

関連論文リスト

Edge Prediction for Roof Wireframe Reconstruction with Transformers [19.51403924424251]
本稿では,S23DRチャレンジ2026に対する競合ソリューションを提案する。 SfM点雲と地上レベルのセマンティックセグメンテーションと深度マップから3Dハウスのワイヤーフレームモデルを再構築することを目的としている。
論文参考訳（メタデータ） (2026-06-01T15:51:30Z)
Topologically Consistent Multi-view 3D Head Reconstruction via Coarse-Guided Layered Surface Sampling [15.24889101682807]
SHELLSは多視点画像からの密接な意味対応における3次元頭部再構成のための効率的なフィードフォワードフレームワークである。これは3.5倍の推論速度で、中央値の登録誤差を21%から29%に削減する。我々のモデルは、合成データにのみ訓練されるが、実世界のキャプチャーに効果的に一般化される。
論文参考訳（メタデータ） (2026-05-29T13:14:43Z)
Structured Semantic 3D Reconstruction (S23DR) Challenge 2025 -- Winning solution [0.0]
本稿では,S23DRチャレンジ2025の勝利解を提案する。住宅の3D屋根のワイヤーフレームを、粗い点の雲とセマンティックセグメンテーションから予測する。この2段階の3Dディープラーニングアプローチは、プライベートリーダーボードで0.43のハイブリッド構造スコア(HSS)を獲得した。
論文参考訳（メタデータ） (2025-06-19T15:56:51Z)
The Fourth Monocular Depth Estimation Challenge [100.38910331027051]
本報告では, 単眼深度推定チャレンジ(MDEC)の第4版の結果について述べる。 SynS-Patchesベンチマークへのゼロショットの一般化に焦点を当てており、自然環境と屋内環境の両方で挑戦的な環境を特徴とするデータセットである。この挑戦は合計24件の応募を受け、テストセットのベースラインを上回りました。優勝者は3D F-Scoreを22.58%から23.05%に引き上げた。
論文参考訳（メタデータ） (2025-04-24T17:59:52Z)
VoxelKP: A Voxel-based Network Architecture for Human Keypoint Estimation in LiDAR Data [53.638818890966036]
textitVoxelKPは、LiDARデータにおける人間のキーポイント推定に適した、完全にスパースなネットワークアーキテクチャである。本研究では,人間の各インスタンス内のキーポイント間の空間的相関を学習するために,スパースボックスアテンションを導入する。鳥の視線を符号化する2次元格子に3次元ボクセルを投影する際に, 絶対的な3次元座標を利用するために空間符号化を組み込んだ。
論文参考訳（メタデータ） (2023-12-11T23:50:14Z)
Hierarchical Audio-Visual Information Fusion with Multi-label Joint Decoding for MER 2023 [51.95161901441527]
本稿では,離散的感情と次元的感情の両方を認識するための新しい枠組みを提案する。基礎モデルから抽出した深い特徴は、生ビデオの頑健な音響的および視覚的表現として使用される。我々の最終システムは最先端のパフォーマンスを達成し、MER-MULTIサブチャレンジのリーダーボードで3位にランクインする。
論文参考訳（メタデータ） (2023-09-11T03:19:10Z)
Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文参考訳（メタデータ） (2022-06-13T11:41:39Z)
Deep Facial Synthesis: A New Challenge [75.99659340231078]
まず,FS2Kという,2,104のイメージスケッチペアからなる高品質なFSSデータセットを提案する。第2に, 古典的手法139点を調査し, 最大規模のFSSについて検討した。第3に、FSGANという単純なFSSのベースラインを提示する。
論文参考訳（メタデータ） (2021-12-31T13:19:21Z)
PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。 ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文参考訳（メタデータ） (2020-04-03T16:26:37Z)

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。