論文の概要: SAD-GS: Learning Reliable 3D Semantic Gaussian Fields via Dynamic Geo-Semantic Anchoring
- arxiv url: http://arxiv.org/abs/2606.29376v1
- Date: Sun, 28 Jun 2026 12:52:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.899808
- Title: SAD-GS: Learning Reliable 3D Semantic Gaussian Fields via Dynamic Geo-Semantic Anchoring
- Title（参考訳）: SAD-GS:動的ジオ・セマンティックアンコリングによる信頼性の高い3次元ガウス場学習
- Abstract要約: SAD-GSは動的ジオ・セマンティックアンカリングにより信頼性の高い3Dセマンティック・ガウス場を学習するためのフレームワークである。
SAD-GSはオープン語彙のローカライゼーションとセマンティックセグメンテーションの両方において、常に最高の全体的な性能を達成する。
- 参考スコア（独自算出の注目度）: 27.855348377803164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-vocabulary 3D semantic Gaussian field learning relies on multi-view 2D supervision, whose semantic targets and spatial assignments are often unreliable. Across varying viewpoints, view-dependent features cause semantic identity drift, while propagated tracker masks introduce boundary leakage and identity switches. Directly optimizing against these unreliable 2D targets forces the 3D representation to absorb multi-view contradictions, leading to severe error accumulation. To resolve this limitation, we propose SAD-GS, a framework for learning reliable 3D semantic Gaussian fields via dynamic geo-semantic anchoring. Specifically, Semantic Anchor Distillation (SAD) distills per-view visual embeddings into consensus text anchors to establish a viewpoint-invariant semantic identity. Concurrently, the Geo-Semantic Feedback Loop (GSFL) leverages the evolving 3D field to actively filter tracker anomalies and refine spatial mask assignments via a conservative three-gate update rule. Extensive evaluations on LERF-OVS, 3D-OVS, and Mip-NeRF360 show that SAD-GS consistently achieves the best overall performance in both open-vocabulary localization and semantic segmentation. These comprehensive improvements validate the effectiveness and robustness of dynamic geo-semantic anchoring for reliable 3D semantic Gaussian field learning.
- Abstract（参考訳）: Open-vocabulary 3D semantic Gaussian field learningは、セマンティックターゲットと空間割り当てが信頼できない多視点2D監視に依存している。
様々な視点において、ビューに依存した特徴はセマンティックアイデンティティのドリフトを引き起こし、プロパゲートトラッカーマスクは境界の漏洩とアイデンティティのスイッチを導入している。
これらの信頼できない2Dターゲットに対して直接最適化することは、3D表現を多視点の矛盾を吸収させ、重大なエラーの蓄積を引き起こす。
この制限を解決するために,動的ジオ・セマンティックアンカリングによる信頼性の高い3Dセマンティック・ガウス場学習フレームワークであるSAD-GSを提案する。
具体的には、セマンティックアンカー蒸留(SAD)は、ビューごとの視覚的埋め込みをコンセンサステキストアンカーに蒸留し、視点不変なセマンティックアイデンティティを確立する。
同時に、Geo-Semantic Feedback Loop (GSFL)は進化している3Dフィールドを利用してトラッカー異常を積極的にフィルタリングし、保守的な3ゲート更新ルールを通じて空間マスクの割り当てを洗練する。
LERF-OVS, 3D-OVS, Mip-NeRF360の大規模評価は, SAD-GSがオープン語彙の局所化とセマンティックセグメンテーションの両方において, 常に最高の総合的な性能を達成していることを示している。
これらの総合的な改良は,3次元セマンティック・ガウス場学習における動的ジオセマンティック・アンカーの有効性とロバスト性を検証する。
関連論文リスト
- TrackRef3D: Multi-View Consistent Track-then-Label for Open-World Referring Segmentation in 3D Gaussian Splatting [10.787720313658093]
本稿では,3次元ガウススプラッティング(3DGS)におけるオープンワールド参照セグメンテーションを実現する完全自動パイプラインであるTrackRef3Dを提案する。
本稿では,同義語クラスタリングとトラジェクティブ・アウェア投票を通じて,クロスビュー予測を集約し,標準的セマンティック・アイデンティティを確立するトラジェクティブ・アウェア・セマンティック・コンセンサス・モジュール(TSCM)を提案する。
論文 参考訳（メタデータ） (2026-05-26T05:49:12Z) - PointGS: Semantic-Consistent Unsupervised 3D Point Cloud Segmentation with 3D Gaussian Splatting [15.208505879476418]
教師なしのポイントクラウドセグメンテーションは、人工知能と自律運転に不可欠である。
本稿では,教師なし3次元点雲分割のための簡易かつ効果的なパイプラインであるPointGSを提案する。
実験により、PointGSは最先端の教師なし手法より優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T04:44:50Z) - SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
UAV VLNのための幾何学誘導空間表現フレームワークを提案する。
明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。
実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2026-03-22T03:56:58Z) - Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。
従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。
我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文 参考訳（メタデータ） (2026-01-05T18:33:50Z) - Semantic-aware DropSplat: Adaptive Pruning of Redundant Gaussians for 3D Aerial-View Segmentation [15.196083762043004]
SAD-Splatという新しい3D-AVS-SSアプローチを提案する。
本手法は,ハードコンクリートの分布に基づいて,意味的信頼度を学習可能な疎性メカニズムと統合する。
セグメンテーションの精度と表現のコンパクトさのバランスは良好である。
論文 参考訳（メタデータ） (2025-08-13T08:57:38Z) - Tackling View-Dependent Semantics in 3D Language Gaussian Splatting [80.88015191411714]
LaGaは、3Dシーンをオブジェクトに分解することで、ビュー間のセマンティック接続を確立する。
セマンティック記述子をクラスタリングし、多視点セマンティックスに基づいてそれらを重み付けすることで、ビュー集約セマンティック表現を構築する。
同じ設定で、LaGaはLERF-OVSデータセットの以前のSOTAよりも+18.7% mIoUを大幅に改善した。
論文 参考訳（メタデータ） (2025-05-30T16:06:32Z) - OccLE: Label-Efficient 3D Semantic Occupancy Prediction [68.60633561134571]
OccLEはラベル効率のよい3Dセマンティック動作予測である。
イメージとLiDARを入力として取り、限られたvoxelアノテーションでハイパフォーマンスを維持する。
実験の結果,OccLE は Voxel アノテーションの10% しか使用せず,競争性能が向上していることがわかった。
論文 参考訳（メタデータ） (2025-05-27T01:41:28Z) - econSG: Efficient and Multi-view Consistent Open-Vocabulary 3D Semantic Gaussians [56.85804719947]
3DGSを用いたオープン語彙セマンティックセマンティックセグメンテーションのためのeconSGを提案する。
筆者らのeconSGは,既存手法と比較して,4つのベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2025-04-08T13:12:31Z) - Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。
FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
論文 参考訳（メタデータ） (2024-11-29T08:52:32Z) - CLIP-GS: CLIP-Informed Gaussian Splatting for View-Consistent 3D Indoor Semantic Understanding [17.440124130814166]
室内シーンのオープンな3Dセマンティック理解のためのCLIPモデルを用いた3Dガウススティング(3DGS)が注目されている。
提案するセマンティック属性コンパクト性(SAC)と3Dコヒーレント正規化(3DCR)を用いて、3次元屋内シーンのコヒーレントな意味理解を効率的に実現するCLIP-GSを提案する。
ScanNetとReplicaのデータセット上で,mIoUの21.20%と13.05%の改善を実現し,既存の最先端手法を著しく抑制する。
論文 参考訳（メタデータ） (2024-04-22T15:01:32Z)
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。