論文の概要: PUF: Plug-and-Play Uncertainty-Aware Fusion for Online 3D Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2607.07170v1
• Date: Wed, 08 Jul 2026 09:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.327527
• Title: PUF: Plug-and-Play Uncertainty-Aware Fusion for Online 3D Scene Graph Generation
• Title（参考訳）: PUF:オンライン3Dシーングラフ生成のためのプラグイン・アンド・プレイ不確かさを意識したフュージョン
• Authors: Yi Yang, Myrna Castillo, Bodo Rosenhahn, Michael Ying Yang,
• Abstract要約: オンライン3Dシーングラフ生成は、グローバル3Dグラフに2D観察を漸進的に融合することにより、シーンの永続的で構造化された表現を構築する。 PUF: Plug-and-play, Uncertainty-aware, and training-free Fusion frameworkを提案する。 3DSSG と ReplicaSSG のベンチマーク実験により,本手法が既存手法より大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 36.703819424111806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online 3D scene graph generation builds a persistent, structured representation of a scene by incrementally fusing 2D observations into a global 3D graph. Existing online methods treat this fusion as a fully deterministic pipeline, where we identify three sources of uncertainty that are overlooked: observation, 2D model, and 3D representation. We propose PUF: a Plug-and-play, Uncertainty-aware, and training-free Fusion framework. Scene graph node association is reformulated as a probabilistic likelihood over semantic and spatial factors, replacing binary accept/reject gates. Dirichlet evidence accumulation distributes class and relationship evidence across plausible candidates proportional to association likelihood. An optional class-conditional prior completes edges for sparsely or never co-observed object pairs. We instantiate PUF with both a 3D Gaussian and a 3D voxel backend and observe consistent improvements, demonstrating its ability to generalize across different representations. Experiments on the 3DSSG and ReplicaSSG benchmarks show that our method substantially outperforms existing approaches while maintaining real-time latency. These results establish uncertainty-aware fusion as a principled and effective paradigm for online 3D scene understanding. The source code is publicly available at https://github.com/yyyyangyi/PUF.
• Abstract（参考訳）: オンライン3Dシーングラフ生成は、グローバル3Dグラフに2D観察を漸進的に融合することにより、シーンの永続的で構造化された表現を構築する。 既存のオンライン手法では、この融合を完全な決定論的パイプラインとして扱い、観察、2Dモデル、3D表現という見落としている不確実性の3つの源を特定する。 PUF: Plug-and-play, Uncertainty-aware, and training-free Fusion frameworkを提案する。 シーングラフノードアソシエーションは、意味的および空間的要因に対する確率的可能性として再編成され、バイナリアクセプション/リジェクトゲートを置き換える。 ディリクレの証拠蓄積は、クラスと関係の証拠を、関連性確率に比例する有望な候補に分配する。 オプションのクラス条件前処理は、疎に、または決して共保存されていないオブジェクトペアのエッジを完了させる。 PUFを3次元ガウスバックエンドと3次元ボクセルバックエンドの両方でインスタンス化し、一貫した改善を観察し、異なる表現をまたいで一般化する能力を示す。 3DSSG と ReplicaSSG のベンチマーク実験により,本手法はリアルタイムレイテンシを保ちながら既存の手法よりも大幅に優れていることが示された。 これらの結果から,オンライン3次元シーン理解の原則的かつ効果的なパラダイムとして,不確実性を考慮した融合が確立された。 ソースコードはhttps://github.com/yyyangyi/PUF.comで公開されている。

関連論文リスト

• DeWorldSG: Depth-Aware 3D Semantic Scene Graph Generation via World-Model Priors [22.5705525097147]
  既存の手法は、不安定な3次元オブジェクト表現とフレームワイズ推論による欠落の関係により、信頼できる3次元シーングラフを構築するのに苦労することが多い。 DeWorldSGは、例えば深さ誘導フィルタリングにより幾何学レベルの3次元ガウス分布を推定することでこれらの問題に対処する。 3DSSGとReplicaSSSGデータセットの実験は、オブジェクトと予測の両方で最先端(SoTA)のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-07-01T12:55:09Z)
• 3D-IDE: 3D Implicit Depth Emergent [45.72771473431863]
  3D-Implicit Depth Emergenceは、幾何学的自己視覚から派生した創発的特性として3D知覚を再構成する手法である。 本手法により,高密度領域において3次元知覚が暗黙的に出現し,不連続な特徴を呈することができる。 提案手法は,様々な下流タスクにおいて高い性能を維持しつつ,推論遅延を55%削減する。
  論文  参考訳（メタデータ） (2026-03-28T00:54:19Z)
• HyperPointFormer: Multimodal Fusion in 3D Space with Dual-Branch Cross-Attention Transformers [10.24051363232541]
  マルチモーダルリモートセンシングデータ(スペクトル,ライダー,フォトグラムなど)は,都市景観における土地利用・土地被覆分類の達成に不可欠である。 本稿では,3Dポイントクラウド内のすべてのモダリティを融合する完全3Dベースの手法を提案し,専用のデュアルアテンショントランスモデルを用いる。 以上の結果から, 3次元融合は2次元法と比較して競争力があり, 3次元予測を提供することにより, 柔軟性が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-29T07:45:19Z)
• 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)
• GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
  単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。 モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。 最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
  論文  参考訳（メタデータ） (2024-07-05T03:43:08Z)
• OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
  OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。 コードと事前訓練されたモデルは、後にリリースされる。
  論文  参考訳（メタデータ） (2024-03-28T17:05:04Z)
• SparseFusion: Distilling View-conditioned Diffusion for 3D Reconstruction [26.165314261806603]
  ニューラルレンダリングと確率的画像生成の最近の進歩を統一したスパースビュー3次元再構成手法であるスパースフュージョンを提案する。 既存のアプローチは、通常、再プロジェクションされた機能を持つニューラルレンダリングの上に構築されるが、目に見えない領域を生成したり、大きな視点の変化の下で不確実性に対処できない。
  論文  参考訳（メタデータ） (2022-12-01T18:59:55Z)

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。