Fugu-MT 論文翻訳(概要): ZeroSplat: Generalized Referring Segmentation in 3D Gaussian Splatting

論文の概要: ZeroSplat: Generalized Referring Segmentation in 3D Gaussian Splatting

arxiv url: http://arxiv.org/abs/2607.18801v1
Date: Tue, 21 Jul 2026 07:27:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.348441
Title: ZeroSplat: Generalized Referring Segmentation in 3D Gaussian Splatting
Title（参考訳）: ZeroSplat: 3次元ガウススプラッティングにおける一般化された参照セグメンテーション
Abstract要約: 本稿では,GR3DGS(Generalized Referring 3D Gaussian Splatting)タスクを紹介する。 GR3DGSタスクは任意の数のターゲット(0、1、または$N$)をセグメント化する必要がある我々はZeroSplatという新しいトレーニングフリーでゼロ機能フレームワークを提案する。
参考スコア（独自算出の注目度）: 2.1327328379130885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advancements in 3D Gaussian Splatting (3DGS) have enabled language-guided scene understanding. However, existing Referring 3D Gaussian Splatting (R3DGS) methods are fundamentally restricted to single-target queries. To reflect the ambiguity of real-world instructions, we introduce the Generalized Referring 3D Gaussian Splatting Segmentation (GR3DGS) task, which requires dynamically segmenting an arbitrary number of targets (0, 1, or $N$). To facilitate comprehensive evaluation of this new task, we construct two new benchmarks: GR-LERF and GR-ScanNet. Crucially, existing R3DGS paradigms exhibit fundamental technical bottlenecks that severely limit their performance on the GR3DGS task: they lack intrinsic 3D point-level understanding by operating merely on 2D rendered pixels, and they incur prohibitive computational overhead by requiring per-scene optimization to embed heavy semantic features. To dismantle these bottlenecks, we propose ZeroSplat, a novel training-free and zero-feature framework. ZeroSplat lifts 2D Vision-Language Model (VLM) priors into 3D space through robust multi-view geometric constraints. This strategy enables intrinsic point-level understanding without incurring any additional feature storage. Extensive experiments demonstrate that ZeroSplat significantly outperforms state-of-the-art methods across generalized and single-target scenarios while maintaining exceptional efficiency. Project Page: https://inkmind-ai.github.io/ZeroSplat
Abstract（参考訳）: 近年の3Dガウススプラッティング(3DGS)は,言語指導によるシーン理解を可能にしている。しかし、既存のReferring 3D Gaussian Splatting (R3DGS) メソッドは基本的に単一ターゲットクエリに制限されている。実世界の命令のあいまいさを反映するために、任意のターゲット(0, 1, $N$)を動的に分割する必要がある3Dガウス分割(GR3DGS)タスクの一般化参照を導入する。このタスクの総合的な評価を容易にするため,GR-LERFとGR-ScanNetという2つの新しいベンチマークを構築した。重要なことに、既存のR3DGSパラダイムはGR3DGSタスクのパフォーマンスを著しく制限する基本的な技術的ボトルネックを示しており、2Dレンダリングされたピクセルでのみ操作することで、固有の3Dポイントレベルの理解を欠いている。これらのボトルネックを解消するために,ZeroSplatを提案する。 ZeroSplatは2次元視覚言語モデル(VLM)を頑健な多視点幾何学的制約によって3次元空間に引き上げる。この戦略は、追加のフィーチャストレージを発生させることなく、固有のポイントレベルの理解を可能にする。大規模な実験により、ZeroSplatは、例外的な効率を維持しながら、一般化されたシナリオと単一ターゲットのシナリオで最先端の手法を大幅に上回ることを示した。 Project Page: https://inkmind-ai.github.io/ZeroSplat

関連論文リスト

AnchorSplat: Fast and Structure Consistent Detail Synthesis for Gaussian Splatting [45.65377534924918]
3D Gaussian Splatting (3DGS) は高忠実度レンダリングの強力な表現として登場した。既存の資産は、詳細の欠如やテクスチャノイズのような品質のボトルネックに悩まされることが多い。そこで我々は,AnchorSplatという3Dネイティブリファインメントパラダイムを提案する。
論文参考訳（メタデータ） (2026-07-01T12:14:29Z)
Ilov3Splat: Instance-Level Open-Vocabulary 3D Scene Understanding in Gaussian Splatting [32.46353940664006]
Ilov3Splatは3Dガウススプラッティング(3D-GS)上に構築されたインスタンスレベルのオープンな3Dシーン理解のためのフレームワーク言語対応のCLIP機能を効率的にエンコードするために,マルチレゾリューションハッシュ埋め込みを活用している。推論時に、CLIPエンコードされたクエリは学習した機能と一致し、続いて関連するガウスグループを取得するための2段階の3Dクラスタリングが続く。
論文参考訳（メタデータ） (2026-05-06T05:23:41Z)
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)
ReferSplat: Referring Segmentation in 3D Gaussian Splatting [60.73702075842278]
3次元ガウス散乱(R3DGS)を参照 Taskは、自然言語の記述に基づいて、ターゲットオブジェクトを3Dガウスシーンにセグメントすることを目的としている。これらの課題に対処するため,自然言語表現を用いて3次元ガウス点を明示的にモデル化するフレームワークReferSplatを提案する。
論文参考訳（メタデータ） (2025-08-11T17:59:30Z)
SAGOnline: Segment Any Gaussians Online [17.33447710659887]
3D Gaussian Splatting (3DGS) は、明示的な3Dシーン表現のための強力なパラダイムとして登場した。現在の手法では, 計算コストの禁止, 空間的推論の制限, 複数物体の同時追跡が困難となっている。 Segment Any Gaussians Online (SAGOnline) はガウスシーンにおけるリアルタイム3Dセグメンテーションのための軽量でゼロショットのフレームワークである。
論文参考訳（メタデータ） (2025-08-11T17:38:50Z)
Training-Free Hierarchical Scene Understanding for Gaussian Splatting with Superpoint Graphs [16.153129392697885]
ガウス原始体から直接スーパーポイントグラフを構築する訓練自由フレームワークを導入する。スーパーポイントグラフはシーンを空間的にコンパクトでセマンティックなコヒーレントな領域に分割し、ビュー一貫性の3Dエンティティを形成する。提案手法は,30時間以上のセグメンテーションを高速化し,最先端のオープン語彙セグメンテーション性能を実現する。
論文参考訳（メタデータ） (2025-04-17T17:56:07Z)
SuperGSeg: Open-Vocabulary 3D Segmentation with Structured Super-Gaussians [77.77265204740037]
3D Gaussian Splattingは、その効率的なトレーニングとリアルタイムレンダリングで注目を集めている。我々は,協調型コンテキスト認識シーン表現を促進する新しいアプローチであるSuperGSegを紹介する。 SuperGSegは、オープン語彙オブジェクトローカライゼーションとセマンティックセグメンテーションタスクの両方において、以前の作業より優れている。
論文参考訳（メタデータ） (2024-12-13T16:01:19Z)
Occam's LGS: An Efficient Approach for Language Gaussian Splatting [57.00354758206751]
言語3Dガウススプラッティングのための複雑なパイプラインは、単純に不要であることを示す。我々は,オッカムのカミソリを手作業に適用し,高効率な重み付き多視点特徴集約技術を実現する。
論文参考訳（メタデータ） (2024-12-02T18:50:37Z)
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)
SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
論文参考訳（メタデータ） (2024-01-31T14:19:03Z)
Segment Any 3D Gaussians [85.93694310363325]
本稿では, 3次元ガウススプレイティング(3D-GS)に基づく高効率3Dプロンプト可能なセグメンテーション法であるSAGAについて述べる。入力として2D視覚的プロンプトが与えられたとき、SAGAは対応する3Dターゲットを4ミリ秒以内に3Dガウスで表現できる。我々は,SAGAが最先端の手法に匹敵する品質で,リアルタイムな多粒度セグメンテーションを実現することを示す。
論文参考訳（メタデータ） (2023-12-01T17:15:24Z)

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。