論文の概要: Scenes as Objects, Not Primitives: Instance-Structured 3D Tokenization from Unposed Views

• arxiv url: http://arxiv.org/abs/2606.29513v1
• Date: Sun, 28 Jun 2026 17:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.946455
• Title: Scenes as Objects, Not Primitives: Instance-Structured 3D Tokenization from Unposed Views
• Title（参考訳）: プリミティブではなくオブジェクトとしてのシーン: 未提示ビューからのインスタンス構造化3Dトークン化
• Abstract要約: 3Dシーンは、それらを構成するプリミティブではなく、オブジェクトを通して理解される。 本稿では,シーンをインスタンス構成の3Dトークングループに分解するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 35.7336094120467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A 3D scene is understood through its objects, not the primitives that compose them. Yet feed-forward reconstruction methods output dense, unstructured sets of points or Gaussians, leaving object-level structure to be recovered after the fact. We propose a feed-forward framework that decomposes a scene into instance-structured 3D token groups directly from unposed multi-view images -- compact object-centric units from which reconstruction, segmentation, and manipulation all follow. Each token group pairs an instance token capturing entity-level identity with anchor tokens that encode local geometry and appearance, which are decoded into a set of 3D Gaussians. This two-level factorization decouples object identity from local appearance, making object instances a native interface of the representation rather than a derived product. The token groups are learned through differentiable rendering with joint reconstruction and segmentation supervision, requiring no 3D annotations. Our feed-forward model surpasses per-scene optimization baselines in class-agnostic instance segmentation while remaining competitive in novel view synthesis. Beyond these metrics, the same token groups directly unlock instance-level scene editing -- removing, translating, or inserting objects by operating on their groups -- as well as efficient open-vocabulary 3D instance retrieval, where retrieval complexity scales with the number of instances rather than primitives.
• Abstract（参考訳）: 3Dシーンは、それらを構成するプリミティブではなく、オブジェクトを通して理解される。 しかし、フィードフォワード再構成法は、高密度で非構造的な点やガウス的集合を出力し、オブジェクトレベルの構造は後に復元される。 本稿では,シーンをインスタンス構成の3Dトークングループに分解するフィードフォワード・フレームワークを提案する。 各トークングループは、エンティティレベルのアイデンティティをキャプチャするインスタンストークンと、局所的な幾何学と外観を符号化したアンカートークンをペアにし、それを3Dガウスの集合にデコードする。 この2段階の分解は、オブジェクトのアイデンティティをローカルな外観から切り離し、オブジェクトインスタンスを派生した製品ではなく、表現のネイティブインターフェースにする。 トークングループは3Dアノテーションを必要とせず、共同再構築とセグメンテーションの監督による差別化可能なレンダリングを通じて学習される。 我々のフィードフォワードモデルは、新しいビュー合成において競争力を維持しながら、クラスに依存しないインスタンスセグメンテーションにおいて、シーンごとの最適化ベースラインを超える。 これらのメトリクス以外にも、同じトークングループは、インスタンスレベルのシーン編集 -- グループで操作することでオブジェクトの削除、翻訳、挿入 -- を直接アンロックし、より効率的なオープンな3Dインスタンス検索を行う。

関連論文リスト

• GroupForward: Building Referable 3D Scenes via Instance-Grouped Feed-Forward Gaussian Splatting [46.95070188813926]
  GroupForwardは、スパース、アンポーズ、アンキャリブレーションされた画像から幾何学、外観、インスタンス構造、セマンティクスを再構築する。 RSRFは、インスタンスグループ化された3Dシーングラフを構築し、与えられた参照表現の候補インスタンスを検索する。 意味的再構成と参照推論の実験は、事例群再構築と推論の枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2026-08-18T08:55:52Z)
• InstanceSplat: Instance-Aware Feed-Forward 3D Gaussian Splatting for Scene Understanding [7.875166305092363]
  本稿では,汎用的な3D再構成とインスタンス認識シーン理解のための統合フィードフォワード3DGSフレームワークであるInstanceSplatを提案する。 シングルフォワードパスでは、インスタンス対応のガウス表現を構築し、外観、幾何学、インスタンスアイデンティティ、言語対応セマンティクスを共同でエンコードする。
  論文  参考訳（メタデータ） (2026-08-07T12:02:48Z)
• OCH3R: Object-Centric Holistic 3D Reconstruction [36.45885767128656]
  我々は1枚のRGB画像からオブジェクト中心のホロスティック3次元再構成のための統合フレームワークであるOCH3Rを紹介する。 OCH3Rは1つのフォワードパスを実行し、すべてのオブジェクトインスタンスを同時に6Dポーズと詳細な3D再構成で予測する。 標準的な屋内ベンチマークでは、OCH3Rは単分子深度推定、開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、RGBのみのカテゴリレベルの6Dポーズ推定にまたがって最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-13T05:17:51Z)
• FAST3DIS: Feed-forward Anchored Scene Transformer for 3D Instance Segmentation [15.271467111162714]
  FAST3DISは、ホット後のクラスタリングを効果的にバイパスするエンドツーエンドのアプローチである。 本稿では,基礎的な奥行きバックボーン上に構築された3Dアンコール型クエリベースのTransformerアーキテクチャを提案する。 複雑な屋内3次元データセットを用いた実験により,本手法が競合セグメンテーション精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-27T00:45:31Z)
• Group3D: MLLM-Driven Semantic Grouping for Open-Vocabulary 3D Object Detection [23.34626996348395]
  Group3Dはマルチビューオープンな3D検出フレームワークである。 セマンティック制約を直接インスタンス構築プロセスに統合する。 Group3Dは、多視点オープン3D検出において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-23T13:01:14Z)
• Seeing Through Clutter: Structured 3D Scene Reconstruction via Iterative Object Removal [11.166147692815931]
  本稿では,SeeingThroughClutterについて述べる。SeeingThroughClutterは,オブジェクトを個別にセグメント化,モデリングすることで,単一の画像から構造化された3次元表現を再構成する手法である。 複雑なシーンを単純なサブタスクのシーケンスに分解する反復的なオブジェクト除去と再構築パイプラインを導入することで、この問題に対処する。 本手法では,基礎モデルの継続的な進歩から直接,タスク固有のトレーニングやメリットを必要としない。
  論文  参考訳（メタデータ） (2026-02-03T22:37:43Z)
• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)
• ObjectGS: Object-aware Scene Reconstruction and Scene Understanding via Gaussian Splatting [54.92763171355442]
  ObjectGSは3Dシーンをセマンティックな理解と統合するオブジェクト認識フレームワークである。 我々はObjectGSがオープンボキャブラリやパン光学のセグメンテーションタスクにおいて最先端の手法より優れていることを示す実験を通して示す。
  論文  参考訳（メタデータ） (2025-07-21T10:06:23Z)
• Object-X: Learning to Reconstruct Multi-Modal 3D Object Representations [114.57192386025373]
  Object-Xは多目的なマルチモーダル3D表現フレームワークである。 リッチなオブジェクトの埋め込みをエンコードして、幾何学的および視覚的再構成に復号することができる。 シーンアライメント、シングルイメージの3Dオブジェクト再構成、ローカライゼーションなど、さまざまなダウンストリームタスクをサポートする。
  論文  参考訳（メタデータ） (2025-06-05T09:14:42Z)
• Iterative Superquadric Recomposition of 3D Objects from Multiple Views [77.53142165205283]
  2次元ビューから直接3次元スーパークワッドリックを意味部品として用いたオブジェクトを再構成するフレームワークISCOを提案する。 我々のフレームワークは、再構成エラーが高い場合に、反復的に新しいスーパークワッドリックを追加します。 これは、野生の画像からでも、より正確な3D再構成を提供する。
  論文  参考訳（メタデータ） (2023-09-05T10:21:37Z)
• Shelf-Supervised Mesh Prediction in the Wild [54.01373263260449]
  本研究では,物体の3次元形状とポーズを1つの画像から推定する学習手法を提案する。 まず、カメラのポーズとともに、標準フレーム内の体積表現を推定する。 粗い体積予測はメッシュベースの表現に変換され、予測されたカメラフレームでさらに洗練される。
  論文  参考訳（メタデータ） (2021-02-11T18:57:10Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。