論文の概要: VGOcc: Learning Visual-Geometric Gaussians for Vision-Centric 3D Driving Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2607.18078v1
• Date: Mon, 20 Jul 2026 15:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.689204
• Title: VGOcc: Learning Visual-Geometric Gaussians for Vision-Centric 3D Driving Occupancy Prediction
• Title（参考訳）: VGOcc:視覚中心の3D駆動動作予測のための視覚幾何学的ガウスの学習
• Abstract要約: 視覚のみの占有予測では、キャリブレーションされたサラウンドビュー画像からセマンティックな3D占有領域を復元する必要がある。 本稿では,ガウスモデルの基礎モデルから視覚的および幾何学的手がかりを学習するVGOccを提案する。 nuScenesの実験は、VGOccが視覚のみの3D占有率予測において最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 13.991187977226302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-only occupancy prediction requires recovering a semantic 3D occupancy field from calibrated surround-view images, where each view provides observations with ambiguous depth along camera rays. Existing methods have progressed from dense structured representations to sparse Gaussian primitives, improving the efficiency of 3D scene representation. However, Gaussian learning still relies primarily on image domain features, which provide limited explicit geometric information for volumetric reasoning. Our key observation is that effective Gaussian occupancy modeling requires not only sparse primitives, but also richer geometric and semantic learning cues. In this paper, we propose VGOcc, which learns visual and geometric cues from foundation models for Gaussian modeling. VGOcc incorporates these cues into primitive initialization and refinement, yielding a representation termed Visual-Geometric Gaussians tailored to semantic occupancy prediction. Specifically, we propose Visual-Geometric Gaussian Birth to form spatially balanced Gaussian centers from ray depth hypotheses, while visual semantic features initialize primitive attributes. Next, we design Pose-Aware Feature Learning to combine foundation tokens with camera embeddings and calibrated ray information. Features from neighboring views are then aggregated at projected 3D locations for each Gaussian refinement stage. Finally, Gaussian decoder refines birth Gaussians with pose-aware features and renders them into semantic occupancy. Experiments on nuScenes demonstrate that VGOcc achieves state-of-the-art performance in vision-only 3D occupancy prediction. Codes will be available at https://github.com/JHLin42in/VGOcc.
• Abstract（参考訳）: 視覚のみの占有予測では、キャリブレーションされたサラウンドビュー画像からセマンティック3D占有領域を復元する必要がある。 既存の手法は密構造表現から疎ガウス的プリミティブへと進歩し、3次元シーン表現の効率が向上した。 しかし、ガウス学習は主に画像領域の特徴に依存しており、容積的推論のための限定的な幾何学的情報を提供する。 我々のキーとなる観察は、効果的なガウスの占有度モデリングはスパースプリミティブだけでなく、よりリッチな幾何学的、セマンティックな学習手段を必要とすることである。 本稿では,ガウスモデルの基礎モデルから視覚的および幾何学的手がかりを学習するVGOccを提案する。 VGOccはこれらのキューを原始的な初期化と洗練に組み込んでおり、意味的占有予測に適した視覚幾何学的ガウスという表現を生み出している。 具体的には、空間的バランスの取れたガウス中心を光深度仮説から形成する視覚幾何学的ガウス的誕生法を提案し、視覚的意味論は原始属性を初期化する。 次に、基礎トークンとカメラ埋め込みと校正線情報を組み合わせたPose-Aware Feature Learningを設計する。 近隣のビューの特徴は、ガウスの精錬段階ごとに投影された3D場所に集約される。 最後に、ガウシアンデコーダは、ポーズを意識した特徴でガウシアンを洗練させ、それらを意味的な占有力にする。 nuScenesの実験は、VGOccが視覚のみの3D占有率予測において最先端のパフォーマンスを達成することを示した。 コードはhttps://github.com/JHLin42in/VGOcc.comで入手できる。

関連論文リスト

• Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
  3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。 本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
  論文  参考訳（メタデータ） (2026-08-16T09:43:50Z)
• GaussianGrow: Geometry-aware Gaussian Growing from 3D Point Clouds with Text Guidance [60.86483080195698]
  3D Gaussian Splattingは、レンダリング効率と品質において優れた性能を示している。 既存の手法では、ガウス原始体を推定するための幾何学的参照として点写像を予測することを検討した。 GaussianGrowは、簡単にアクセス可能な3Dポイントクラウドからガウシアンを成長させることで、3Dガウシアンを生成する新しいアプローチである。
  論文  参考訳（メタデータ） (2026-04-07T11:23:23Z)
• ShelfGaussian: Shelf-Supervised Open-Vocabulary Gaussian-based 3D Scene Understanding [7.610505486431266]
  オープンボキャブラリ型多モードガウス型3Dシーン理解フレームワークであるShelfGaussianについて紹介する。 既存の手法は、オブジェクトをアノテーション付き3Dラベルで教師される閉集合意味ガウスとしてモデル化し、そのレンダリング能力を無視したり、純粋に2Dの自己スーパービジョンを通じてオープンセットガウス表現を学習する。
  論文  参考訳（メタデータ） (2025-12-03T02:06:09Z)
• AutoOcc: Automatic Open-Ended Semantic Occupancy Annotation via Vision-Language Guided Gaussian Splatting [46.677120329555486]
  AutoOccはセマンティック占有アノテーションのためのビジョン中心の自動パイプラインである。 オープンエンドなセマンティックな3D占有の再構築タスクを定式化し、シーン占有を自動的に生成する。 我々のフレームワークは、人間のラベルを使わずに、既存の自動占有アノテーション手法より優れています。
  論文  参考訳（メタデータ） (2025-02-07T14:58:59Z)
• OVGaussian: Generalizable 3D Gaussian Segmentation with Open Vocabularies [112.80292725951921]
  textbfOVGaussianは3D textbfGaussian表現に基づいた、一般化可能なtextbfOpen-textbfVocabulary 3Dセマンティックセマンティックセグメンテーションフレームワークである。 まず,3DGSをベースとした大規模3Dシーンデータセット(textbfSegGaussian)を構築し,ガウス点とマルチビュー画像の両方に対して詳細なセマンティックおよびインスタンスアノテーションを提供する。 シーン間のセマンティック・一般化を促進するために,ジェネリック・セマンティック・ラスタライゼーション(GSR)を導入する。
  論文  参考訳（メタデータ） (2024-12-31T07:55:35Z)
• GaussTR: Foundation Model-Aligned Gaussian Transformer for Self-Supervised 3D Spatial Understanding [44.68350305790145]
  GaussTRは3次元空間理解を促進するためにガウス表現を通して基礎モデルアライメントとスパース3次元モデリングを統一する新しいトランスフォーマーフレームワークである。 Occ3D-nuScenesデータセットの実験では、GaussTRの12.27 mIoUの最先端のゼロショット性能と、トレーニング時間の40%削減が示されている。 これらの結果は、スケーラブルで総合的な3次元空間理解のためのGaussTRの有効性を強調し、自律運転とエンボディエージェントに有望な意味を持つ。
  論文  参考訳（メタデータ） (2024-12-17T18:59:46Z)
• GaussianAD: Gaussian-Centric End-to-End Autonomous Driving [23.71316979650116]
  視覚に基づく自動運転は、十分な性能と低コストのために大きな可能性を秘めている。 既存のほとんどの方法は、決定のために密度の高い表現(例えば鳥の眼図)やスパース表現(例箱)を採用する。 本稿では、ガウス中心のエンドツーエンド自動運転フレームワークを探求し、3Dセマンティックガウスを利用して、そのシーンを広義に記述する。
  論文  参考訳（メタデータ） (2024-12-13T18:59:30Z)
• GaussianFormer-2: Probabilistic Gaussian Superposition for Efficient 3D Occupancy Prediction [55.60972844777044]
  3Dセマンティック占有予測は、堅牢な視覚中心の自律運転において重要な課題である。 既存のほとんどの手法は、密度の高いグリッドベースのシーン表現を利用しており、運転シーンの空間的空間性を見渡している。 本稿では,各ガウス分布をその周辺領域の確率分布として解釈する確率論的ガウス重ね合わせモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:59:58Z)
• EmbodiedOcc: Embodied 3D Occupancy Prediction for Vision-based Online Scene Understanding [72.96388875744704]
  3D占有予測は周囲のシーンを包括的に記述する。 既存のほとんどのメソッドは、1つか数つのビューからのオフラインの認識に焦点を当てている。 具体化された3次元占有予測タスクを定式化し,ガウスをベースとしたEmbodiedOccフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:57:09Z)
• GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction [70.65250036489128]
  3Dのセマンティック占有予測は,周囲のシーンの3Dの微細な形状とセマンティックスを得ることを目的としている。 本稿では,3Dシーンを3Dセマンティック・ガウシアンで表現するオブジェクト中心表現を提案する。 GaussianFormerは17.8%から24.8%のメモリ消費しか持たない最先端のメソッドで同等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） (2024-05-27T17:59:51Z)

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。