論文の概要: Relation-Centric Open-Vocabulary 3D Gaussian Segmentation

• arxiv url: http://arxiv.org/abs/2607.01140v1
• Date: Wed, 01 Jul 2026 16:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.989164
• Title: Relation-Centric Open-Vocabulary 3D Gaussian Segmentation
• Title（参考訳）: 関係中心的開語彙3次元ガウス分節化
• Authors: Eunsung Cha, Hyunjoon Lee, Jaesik Park,
• Abstract要約: PairGSはガウシアンセグメンテーションを、ガウシアン間のペア関係をモデル化するフレームワークである。 オープンボキャブラリーな3Dガウスのセグメンテーションベンチマークでは最先端の結果が得られ、高速な変種は最適化ベースのインスタンス機能アプローチよりも50倍高速である。
• 参考スコア（独自算出の注目度）: 31.791638071734337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-vocabulary 3D Gaussian segmentation is challenging because it requires language understanding for diverse queries and accurate separation of Gaussians along object boundaries. Prior approaches either embed language knowledge into individual Gaussians to improve query responsiveness or optimize per-Gaussian instance features to encode object identity. However, these strategies may produce noisy Gaussian segmentations or rely on cost-inefficient per-scene optimization. We propose PairGS, a framework that reframes Gaussian segmentation as modeling pairwise relations between Gaussians. 3D Gaussian representations provide rich signals for relation estimation, such as view contribution weights and multi-view mask evidence. By leveraging these cues, PairGS explicitly constructs a relation graph for segmentation without a heavy optimization process. PairGS first proposes sparse edge candidates using low-dimensional descriptors, computes precise pairwise affinities only on those candidates, and builds a hierarchical cluster tree for multi-granular querying. It achieves state-of-the-art results on open-vocabulary 3D Gaussian segmentation benchmarks, while the fast variant is 50x faster than optimization-based instance-feature approaches.
• Abstract（参考訳）: オープンボキャブラリ3Dガウスのセグメンテーションは、多様なクエリに対する言語理解と、オブジェクト境界に沿ったガウスの正確な分離を必要とするため、難しい。 以前のアプローチでは、クエリ応答性を改善するために言語知識を個々のガウス語に埋め込むか、ガウス語毎のインスタンス機能を最適化してオブジェクトのアイデンティティをエンコードする。 しかし、これらの戦略はノイズの多いガウスのセグメンテーションを生み出したり、コスト非効率なシーンごとの最適化に依存するかもしれない。 PairGSはガウスのセグメンテーションを、ガウス間のペア関係をモデル化するフレームワークである。 3次元ガウス表現は、ビューコントリビューション重みやマルチビューマスクエビデンスなどの関係推定のためのリッチな信号を提供する。 これらのキューを活用することで、PairGSは重度最適化プロセスなしでセグメンテーションのための関係グラフを明示的に構築する。 PairGSはまず、低次元記述子を用いた疎エッジ候補を提案し、それらの候補にのみ正確なペア親和性を計算し、マルチグラニュラクエリのための階層的クラスタツリーを構築する。 オープンボキャブラリーな3Dガウスのセグメンテーションベンチマークでは最先端の結果が得られ、高速な変種は最適化ベースのインスタンス機能アプローチよりも50倍高速である。

関連論文リスト

• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。 大量のガウス点があるため、高いメモリコストに制約される。 コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
  論文  参考訳（メタデータ） (2026-04-02T10:41:51Z)
• AG$^2$aussian: Anchor-Graph Structured Gaussian Splatting for Instance-Level 3D Scene Understanding and Editing [12.988814956246033]
  3D Gaussian Splatting (3DGS)は、様々なアプリケーションにまたがって指数関数的な採用を目撃し、セマンティック・アウェアな表現を重要視している。 既存のアプローチは通常、自由ガウスの集合に意味的特徴を付加し、微分可能なレンダリングによって特徴を蒸留する。 AG$2$aussianは、アンカーグラフ構造を利用して意味的特徴を整理し、ガウス的プリミティブを規制する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-08-03T12:47:30Z)
• GraphGSOcc: Semantic-Geometric Graph Transformer with Dynamic-Static Decoupling for 3D Gaussian Splatting-based Occupancy Prediction [2.3239379129613535]
  GraphGSOccは、意味グラフと幾何学グラフを組み合わせ、動的静的オブジェクトを分離する新しいフレームワークである。 SurroundOcc-nuScenes、Occ3D-nuScenes、OpenOcc、KITTIの占有ベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-06-13T06:09:57Z)
• ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。 近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。 本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-21T18:55:14Z)
• Gaussian Graph Network: Learning Efficient and Generalizable Gaussian Representations from Multi-view Images [12.274418254425019]
  3D Gaussian Splatting (3DGS) は印象的なビュー合成性能を示した。 本稿ではガウスグラフネットワーク(GGN)を提案し,効率よく一般化可能なガウスグラフを生成する。 我々は大規模なRealEstate10KとACIDデータセットの実験を行い、本手法の効率性と一般化を実証した。
  論文  参考訳（メタデータ） (2025-03-20T16:56:13Z)
• GaussianCut: Interactive segmentation via graph cut for 3D Gaussian Splatting [7.392798832833857]
  我々は3Dガウスアンとして表現されるシーンのインタラクティブなマルチビューセグメンテーション手法であるGaussianCutを紹介する。 このアプローチでは、単一のビューと対話することで、セグメンテーション対象を選択することができます。 ポイントクリック、粗いスクリブル、テキストなどの直感的なユーザー入力を受け入れる。
  論文  参考訳（メタデータ） (2024-11-12T05:09:42Z)
• Structure Consistent Gaussian Splatting with Matching Prior for Few-shot Novel View Synthesis [28.3325478008559]
  SCGaussian, structure Consistent Gaussian Splatting method using matching priors to learn 3D consistent scene structure。 シーン構造を2つの折り畳みで最適化する: 幾何学の描画とより重要なのは、ガウス原始体の位置である。 前方, 周囲, 複雑な大規模シーンにおける実験により, 最先端性能と高効率性によるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-06T03:28:06Z)
• PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
  PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。 提案手法は,様々な視点によく一般化した最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:58Z)
• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
  3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。 一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。 本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)

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。