論文の概要: Hydra++: Real-Time Hierarchical 3D Scene Graph Construction With Object-Level Shape Estimation
- arxiv url: http://arxiv.org/abs/2607.09455v1
- Date: Fri, 10 Jul 2026 14:24:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 16:48:13.451049
- Title: Hydra++: Real-Time Hierarchical 3D Scene Graph Construction With Object-Level Shape Estimation
- Title（参考訳）: Hydra++: オブジェクトレベル形状推定によるリアルタイム階層型3次元グラフ構築
- Abstract要約: 本稿では,学習に基づく物体形状推定器を階層的な3Dシーングラフパイプラインに統合する方法をシステムレベルで研究するHydra++を提案する。
Hydra++には、カテゴリに依存しない形状推定と、部分的な観察や不正確なセグメンテーションから退化した予測を拒否するための再射マスク整合チェックが組み込まれている。
シミュレーションと実世界の屋外キャンパスシナリオの両方の実験では、Hydra++はオブジェクトレベルとシーンレベルの再構築品質を改善している。
- 参考スコア（独自算出の注目度）: 18.052529538323782
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 3D scene graphs provide a hierarchical abstraction of environments by encoding spatial entities, such as objects and places, and their relationships. However, existing scene graph systems model object geometry coarsely, relying on partial point clouds or class-level CAD templates, which limits instance-specific shape detail. This paper presents Hydra++, a system-level investigation into how learning-based object shape estimators can be integrated into a hierarchical 3D scene graph pipeline. Hydra++ incorporates category-agnostic shape estimation and a reprojection-mask consistency check to reject degenerate predictions from partial observations or imprecise segmentation. In its default CRISP-based configuration, Hydra++ performs online scene graph construction; slower estimators such as SAM3D are evaluated as modular alternatives to demonstrate generalization-latency trade-offs. Furthermore, to address the challenges of sparse and noisy depth measurements in outdoor environments, Hydra++ supports a hybrid LiDAR-camera configuration for large-scale operation, improving scene-level reconstruction quality. Experiments in both simulation and real-world outdoor campus scenarios demonstrate that Hydra++ improves object- and scene-level reconstruction quality. Project page is available at https://hydra-plusplus.github.io/.
- Abstract（参考訳）: 3Dシーングラフは、オブジェクトや場所などの空間エンティティとその関係を符号化することで、環境の階層的な抽象化を提供する。
しかし、既存のシーングラフシステムは、部分点雲やクラスレベルのCADテンプレートに依存して、オブジェクトの幾何学を粗くモデル化し、インスタンス固有の形状の詳細を制限している。
本稿では,学習に基づく物体形状推定器を階層的な3Dシーングラフパイプラインに統合する方法をシステムレベルで研究するHydra++を提案する。
Hydra++には、カテゴリに依存しない形状推定と、部分的な観察や不正確なセグメンテーションから退化した予測を拒否するための再射マスク整合チェックが組み込まれている。
デフォルトのCRISPベースの構成では、Hydra++はオンラインのシーングラフ構築を実行する。
さらに、屋外環境におけるスパースとノイズの深さ測定の課題に対処するため、Hydra++は大規模操作のためのハイブリッドLiDARカメラ構成をサポートし、シーンレベルの再現性を向上させる。
シミュレーションと実世界の屋外キャンパスシナリオの両方の実験では、Hydra++はオブジェクトレベルとシーンレベルの再構築品質を改善している。
プロジェクトページはhttps://hydra-plus.github.io/.com/で公開されている。
関連論文リスト
- Surfsvr: 2D Surface Priors as 3D Geometric Regularizers for Sparse Voxel Reconstruction [56.51413081953813]
SurfSVRは2次元表面の先行を明示的な3次元幾何正規化器として扱う新しいスパースボクセル再構成パラダイムである。
鮮明なボクセルの再現は、視認性と幾何学的特性が著しく異なる場面で一貫して改善される。
論文 参考訳（メタデータ） (2026-08-12T11:25:31Z) - Hierarchical Object Representation for Spatial Robot Perception: Points, Meshes, and Superquadrics [7.735876865294663]
階層型3Dシーングラフ(3DSG)は、長期的な自律性のためのアクション可能でスケーラブルな表現として登場した。
高忠実度オブジェクトレベルの再構成に利用できる階層的オブジェクト表現を導入する。
提案手法は,現在最先端のオブジェクトベースのマップアライメント手法 ROMAN よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-06-01T01:45:47Z) - Leveling3D: Leveling Up 3D Reconstruction with Feed-Forward 3D Gaussian Splatting and Geometry-Aware Generation [15.735997729565987]
本稿では, フィードフォワード3次元再構成と幾何一貫性生成を統合した新しいパイプラインであるLeveling3Dを紹介する。
我々は,新規ビュー合成や深度推定などのタスクを含む,公開データセット上でのSOTA性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T07:40:45Z) - LARM: A Large Articulated-Object Reconstruction Model [29.66486888001511]
LARMは、スパースビュー画像から3Dの明瞭なオブジェクトを再構成する統合フィードフォワードフレームワークである。
LARMは、ディープマップやパートマスクなどの補助出力を生成し、明示的な3Dメッシュ抽出と関節推定を容易にする。
我々のパイプラインは、密集した監視の必要性を排除し、多様な対象カテゴリにわたる高忠実度再構築をサポートする。
論文 参考訳（メタデータ） (2025-11-14T18:55:27Z) - 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) - PLANA3R: Zero-shot Metric Planar 3D Reconstruction via Feed-Forward Planar Splatting [56.188624157291024]
提案するPLANA3Rは,提案しない2次元画像から平面3次元再構成を計測するためのポーズレスフレームワークである。
トレーニング中に3次元平面アノテーションを必要とする以前のフィードフォワード法とは異なり、PLANA3Rは明確な平面監督なしで平面3次元構造を学習する。
本研究は,複数の室内環境データセットに対するPLANA3Rの有効性を検証するとともに,領域外屋内環境への強力な一般化を実証する。
論文 参考訳（メタデータ） (2025-10-21T15:15:33Z) - SCORP: Scene-Consistent Object Refinement via Proxy Generation and Tuning [46.441761732998536]
プロキシジェネレーションとチューニング(SCORP)によるシーン一貫性オブジェクトリファインメント(Scene-Consistent Object Refinement)について紹介する。
SCORP は、3D 生成に先立って細粒度なオブジェクトの形状と外観を復元する新しい3D拡張フレームワークである。
これは、新しいビュー合成と幾何完成タスクの両方において、最近の最先端のベースラインに対して一貫した利得を達成する。
論文 参考訳（メタデータ） (2025-06-30T13:26:21Z) - Learning Fine-Grained Geometry for Sparse-View Splatting via Cascade Depth Loss [15.425094458647933]
粗い部分から細かい部分まで幾何を段階的に洗練する深度監視フレームワークである階層深度誘導平滑化(HDGS)を導入する。
マルチスケールの奥行き整合性を実現することにより,スパースビューのシナリオにおける構造的忠実度を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-28T12:16:42Z) - Agentic 3D Scene Generation with Spatially Contextualized VLMs [67.31920821192323]
本稿では,複雑な3D環境の生成,理解,編集を可能にする新しいパラダイムを提案する。
我々は,VLMが空間コンテキストから反復的に読み取って更新するエージェント型3Dシーン生成パイプラインを開発した。
その結果,我々のフレームワークは多様かつ困難な入力を処理でき,事前の作業では観測できないような一般化のレベルを達成することができることがわかった。
論文 参考訳（メタデータ） (2025-05-26T15:28:17Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust
Depth Prediction [87.08227378010874]
深度予測における高次3次元幾何学的制約の重要性を示す。
単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。
The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
論文 参考訳（メタデータ） (2021-03-07T00:08:21Z)
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。