論文の概要: PruneGround: Plug-and-play Spatial Pruning for 3D Visual Grounding

• arxiv url: http://arxiv.org/abs/2606.31148v1
• Date: Tue, 30 Jun 2026 05:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.085066
• Title: PruneGround: Plug-and-play Spatial Pruning for 3D Visual Grounding
• Title（参考訳）: PruneGround:3Dビジュアルグラウンドのためのプラグアンドプレイ空間プルーニング
• Abstract要約: 3D Visual Groundingは、自然言語で記述された3Dシーンでターゲットオブジェクトをローカライズすることを目的としている。 既存のアプローチは通常、シーン全体を推論し、曖昧な予測と高い計算コストをもたらす。 3つのキーコンポーネント上に構築された3DVGのための効果的なプラグアンドプレイフレームワークPruneGroundを提案する。
• 参考スコア（独自算出の注目度）: 45.510721162264666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Visual Grounding (3DVG) aims to localize target objects in 3D scenes given natural language descriptions. Existing approaches typically perform reasoning over the entire scene, leading to ambiguous predictions and high computational cost, especially in cluttered environments. We observe that many referential expressions rely on local spatial context and often correspond to restricted spatial regions rather than the full scene. Motivated by this insight, we propose PruneGround, an effective plug-and-play framework for 3DVG built upon three key components. First, we introduce Language-Guided Spatial Pruning (LGSP), which leverages a frozen Vision Language Model (VLM) to identify language-relevant regions, thereby reducing spatial computation and grounding candidates in the narrower search space. Second, we propose MultiView-Conditioned Description Reformulation (MCDR), which decomposes complex expressions into simplified target-anchor relations and augments missing spatial cues through multi-view reasoning. Finally, we propose LLM-Grounder, which repurposes a detection-pretrained spatial LLM into a language-conditioned grounding model by aligning point cloud and linguistic representations within the pruned region. Extensive experiments on the three most popular point cloud benchmarks demonstrate that our method achieves state-of-the-art results on all three ScanRefer settings and on 9 out of 10 Nr3D/Sr3D settings. Code and models are publicly available: https://github.com/leduckhai/PruneGround
• Abstract（参考訳）: 3Dビジュアルグラウンド(3DVG)は、自然言語で記述された3Dシーンで対象オブジェクトをローカライズすることを目的としている。 既存のアプローチは、典型的にはシーン全体を推論し、特に散らかった環境において、曖昧な予測と高い計算コストをもたらす。 多くの参照表現は局所的な空間文脈に依存しており、フルシーンではなく制限された空間領域に対応している。 この知見に触発されたPruneGroundは、3つのキーコンポーネント上に構築された3DVGのための効果的なプラグアンドプレイフレームワークである。 まず,Language-Guided Spatial Pruning (LGSP)を導入し,凍結した視覚言語モデル(VLM)を用いて言語関連領域の同定を行い,より狭い検索空間における空間計算と候補のグラウンド化を行う。 第2に、複雑な表現を単純化されたターゲット・アンカー関係に分解し、多視点推論による空間的手がかりの欠如を増大させる多視点記述改革法(MCDR)を提案する。 最後に,LLM-Grounderを提案する。LLM-Grounderは,検出済み空間LLMを言語条件付きグラウンドモデルに再利用し,プルーンド領域内の点雲と言語表現を整列させる。 ScanReferの3つの設定と10個のNr3D/Sr3D設定のうち9つの設定に対して、我々の手法が最先端の結果を達成していることを示す。 コードとモデルが公開されている。 https://github.com/leduckhai/PruneGround

関連論文リスト

• Scaling Diverse Language Generation for 3D Visual Grounding [14.535096337338544]
  ViGiL3D++は、多様なビジュアルグラウンドクエリを生成する、スケーラブルでシーンに依存しない方法である。 既存の大規模データセットよりも多様性があり、複数の3DVGベンチマークよりもモデル性能が向上していることを示す。
  論文  参考訳（メタデータ） (2026-06-18T21:20:20Z)
• VLM-Loc: Localization in Point Cloud Maps via Vision-Language Models [33.748083718525756]
  テキスト・ツー・ポイント・クラウド(T2P)のローカライゼーションは、自然言語記述から3次元ポイント・クラウドマップ内の正確な空間位置を推定することを目的としている。 大規模視覚言語モデルの空間的推論能力を活用するフレームワークであるVLM-Locを提案する。 CityLocの実験では、VLM-Locは最先端の手法に比べて精度と堅牢性に優れていた。
  論文  参考訳（メタデータ） (2026-03-10T15:48:25Z)
• A Neural Representation Framework with LLM-Driven Spatial Reasoning for Open-Vocabulary 3D Visual Grounding [78.99798110890157]
  Open-vocabulary 3D visual groundingは、自由形式の言語クエリに基づいてターゲットオブジェクトをローカライズすることを目的としている。 既存の言語フィールド手法は、言語クエリにおける空間的関係を利用してインスタンスを正確にローカライズするのに苦労する。 本研究では,大規模言語モデル(LLM)に基づく空間推論を用いたニューラル表現に基づく新しいフレームワークであるSpatialReasonerを提案する。
  論文  参考訳（メタデータ） (2025-07-09T10:20:38Z)
• GaussianVLM: Scene-centric 3D Vision-Language Models using Language-aligned Gaussian Splats for Embodied Reasoning and Beyond [56.677984098204696]
  マルチモーダル言語モデルは、VLM(3D Vision-Language Models)の開発を推進している 本稿では,言語とタスク認識のシーン表現を用いた3次元ガウシアンスプラットシーンのためのシーン中心の3次元VLMを提案する。 本稿では,標準RGB画像から導出した光リアルな3D表現を利用した最初のガウススプラッティングに基づくVLMを提案する。
  論文  参考訳（メタデータ） (2025-07-01T15:52:59Z)
• ReasonGrounder: LVLM-Guided Hierarchical Feature Splatting for Open-Vocabulary 3D Visual Grounding and Reasoning [68.4209681278336]
  Open-vocabulary 3D visual grounding and reasoningは、暗黙の言語記述に基づくシーン内のオブジェクトのローカライズを目的としている。 現在の方法は、3Dアノテーションとマスクの提案による微調整に大きく依存しているため、苦労している。 適応グルーピングのための階層型3次元特徴ガウス場を用いたLVLM誘導フレームワークであるReasonGrounderを提案する。
  論文  参考訳（メタデータ） (2025-03-30T03:40:35Z)
• Grounded 3D-LLM with Referent Tokens [58.890058568493096]
  そこで我々は,Grounded 3D-LLMを提案する。 このモデルは、3Dシーンを参照するために特別な名詞句としてシーン参照トークンを使用する。 タスクごとの指示追従テンプレートは、3D視覚タスクを言語形式に翻訳する際の自然と多様性を保証するために使用される。
  論文  参考訳（メタデータ） (2024-05-16T18:03:41Z)
• Four Ways to Improve Verbo-visual Fusion for Dense 3D Visual Grounding [56.00186960144545]
  3Dビジュアルグラウンドティング(3D visual grounding)は、自然言語で記述された3Dシーンでオブジェクトをローカライズするタスクである。 そこで本研究では,高密度な3次元グラウンドネットワークを提案し,グラウンド性能向上を目的とした4つの新しいスタンドアローンモジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-08T19:27:01Z)
• LERF: Language Embedded Radiance Fields [35.925752853115476]
  Language Embedded Radiance Fields (LERF) は、CLIPのような市販のモデルからNeRFへの言語埋め込みを基盤とする手法である。 LERFは、トレーニング線に沿ってCLIP埋め込みをボリュームレンダリングすることで、NeRF内の密集したマルチスケール言語フィールドを学習する。 最適化後、LERFは広範囲の言語プロンプトに対してリアルタイムに3D関連性マップを抽出できる。
  論文  参考訳（メタデータ） (2023-03-16T17:59:20Z)

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。