論文の概要: Learning Cross-View Semantic Priors for Single-Reference Unseen Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2606.22076v1
• Date: Sat, 20 Jun 2026 14:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:58:29.458742
• Title: Learning Cross-View Semantic Priors for Single-Reference Unseen Object Pose Estimation
• Title（参考訳）: 単参照未確認オブジェクトポス推定のためのクロスビューセマンティック事前学習
• Authors: Jiahong Chen, Jinghao Wang, Ziwen Wang, Zi Wang, Banglei Guan, Qifeng Yu,
• Abstract要約: 初期のクロスビューセマンティクスを中心に、対応パイプラインを構築しました。 提案手法は,同等の推論速度を維持しつつ,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 18.011730388391232
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Single-reference unseen object 6D pose estimation reduces object onboarding by estimating poses of arbitrary novel objects from only one reference view. Recent correspondence-based pipelines have achieved robust performance with vision foundation model (VFM) features. However, they typically treat these features as intra-view descriptors, leaving dense visual-semantic cues, including appearance, structure, and context, insufficiently exchanged across views before geometric decoding. Consequently, the decoded point features may lack joint semantic and geometric discriminability, making correspondence estimation still difficult in challenging cases. Instead of processing features independently, we build the correspondence pipeline around an early cross-view semantic prior. Specifically, cross-view semantic interaction (CVSI) enables dense query and reference VFM tokens to exchange semantic context and form a cross-view prior. Nevertheless, direct CVSI may disturb the VFM token structure, while the resulting semantic prior still needs 3D representation consistency for rigid correspondence. To make this CVSI prior reliable for 3D correspondence learning, we introduce two complementary training-time constraints: the intra-view structure preservation (IVSP) loss preserves the original intra-view token affinity structure during interaction, while the reference-anchored geometric consistency (RAGC) loss enforces spatial representation consistency of decoded point features. The final pose is recovered from learned correspondences through weighted SVD. We further construct a challenging view-pair protocol from the BOP Challenge datasets YCB-V and TUD-L to evaluate robustness in difficult matching scenarios. Extensive experiments on six benchmarks under different view-pair settings show that our method achieves state-of-the-art performance while maintaining comparable inference speed.
• Abstract（参考訳）: 単参照未確認オブジェクト6Dのポーズ推定は、任意の新規オブジェクトのポーズを1つの参照ビューのみから推定することにより、オブジェクトのオンボーディングを低減する。 最近の対応型パイプラインは、視覚基礎モデル(VFM)機能で堅牢な性能を実現している。 しかし、一般的にこれらの特徴をビュー内記述子として扱い、外観、構造、文脈を含む密集した視覚的意味の手がかりを残し、幾何学的復号化の前にビュー間で不十分に交換される。 結果として、復号化点の特徴は、共同意味論と幾何学的識別性に欠ける可能性があるため、対応推定が困難な場合においてもなお困難である。 機能を独立して処理するのではなく、初期のクロスビューセマンティクスを中心に対応パイプラインを構築します。 具体的には、クロスビューセマンティックインタラクション(CVSI)により、密集したクエリと参照VFMトークンがセマンティックコンテキストを交換し、事前にクロスビューを形成することができる。 それでも、直接CVSIはVFMトークン構造を妨害する可能性があるが、結果として生じるセマンティックな事前表現は、厳密な対応のために3D表現の整合性を必要とする。 このCVSIを3次元対応学習に優先させるため,IVSP(Intra-view Structure Storage)の損失は相互作用中に元のビュー内トークン親和性構造を保ち,RAGC(Reference-anchored geometry consistency)の損失はデコードされた点特徴の空間的表現整合性を強制する2つの相補的訓練時間制約を導入する。 最終ポーズは、重み付きSVDを通して学習された対応から回収される。 さらに, BOP Challenge データセット YCB-V と TUD-L から, 難解なマッチングシナリオにおけるロバスト性を評価するために, 難解なビューペアプロトコルを構築した。 異なるビューペア設定下での6つのベンチマークの大規模な実験により,本手法は同等の推論速度を維持しつつ,最先端の性能を達成することが示された。

関連論文リスト

• SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models [63.28435103335999]
  セマンティックオブジェクト対応のための新しいベンチマークであるSOCOを紹介する。 視覚基盤のバックボーンは強い意味構造をエンコードするが、関連するカテゴリ間での伝達対応は不十分であることを示す。 また,LVLMは画像マッチングよりもテキストプロンプト部分のローカライゼーションが優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-29T17:58:48Z)
• Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
  PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。 PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-26T08:31:06Z)
• Geo-ID: Test-Time Geometric Consensus for Cross-View Consistent Intrinsics [37.614964138575935]
  内在的な画像分解は、画像からアルベド、粗さ、および金属性などの物理ベースのレンダリングパラメータを推定することを目的としている。 ビデオベースのモデルは、クロスフレームの一貫性を改善することができるが、高密度で順序付けられたシーケンスと相当な計算を必要とする。 クロスビュー一貫した分解を生成するために,未学習の単視点予測器を本質的に再利用する新しいテストタイムフレームワークであるGeo-IDを提案する。
  論文  参考訳（メタデータ） (2026-03-14T09:36:27Z)
• Unify the Views: View-Consistent Prototype Learning for Few-Shot Segmentation [23.546777614096424]
  ショーショットセグメンテーション(FSS)は、限られた監督力を持つ新しいクラスに一般化する能力において大きな注目を集めている。 本稿では、クラス固有のプロトタイプを洗練するための構造的一貫性と識別をモデル化する統合フレームワークであるVINEを導入することにより、これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-03-06T06:36:42Z)
• 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)
• Structure-Aware Correspondence Learning for Relative Pose Estimation [65.44234975976451]
  相対的なポーズ推定は、オブジェクトに依存しないポーズ推定を達成するための有望な方法を提供する。 既存の3D対応方式は、可視領域における小さな重複と、可視領域に対する信頼できない特徴推定に悩まされている。 本稿では,2つの鍵モジュールからなる相対詩推定のための構造認識対応学習手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T13:43:44Z)
• Hierarchical Context Alignment with Disentangled Geometric and Temporal Modeling for Semantic Occupancy Prediction [61.484280369655536]
  カメラを用いた3Dセマンティック占領予測(SOP)は、限られた2次元画像観察から複雑な3Dシーンを理解するのに不可欠である。 既存のSOPメソッドは通常、占有表現学習を支援するためにコンテキストの特徴を集約する。 より正確なSOP(Hi-SOP)のための新しい階層型コンテキストアライメントパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-11T09:53:10Z)

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。