論文の概要: GaussianSeed: Hierarchical Gaussian Seeding for High-Resolution 3D Occupancy Prediction
- arxiv url: http://arxiv.org/abs/2607.20071v1
- Date: Wed, 22 Jul 2026 12:18:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.072963
- Title: GaussianSeed: Hierarchical Gaussian Seeding for High-Resolution 3D Occupancy Prediction
- Title（参考訳）: ガウシアンシード:高分解能3次元活動予測のための階層型ガウシアン
- Authors: Xinzhuo Li, Xianghui Pan, Jiayuan Du, Wei Wei, Liuyi Wang, Chengju Liu, Qijun Chen,
- Abstract要約: 視覚中心の3D占有予測は、自律走行とロボットナビゲーションに不可欠である。
既存の方法では、計算コストの制限により、高ボクセル解像度にスケールするのに苦労している。
本稿では,プリミティブを粗い階層構造に整理する,プログレッシブなマルチスケールガウス占有予測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）: 29.80911525395571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-centric 3D occupancy prediction provides dense scene representations essential for autonomous driving and robotic navigation, yet existing methods struggle to scale to high voxel resolutions due to prohibitive computational costs. To address this, we introduce GaussianSeed, a progressive multi-scale Gaussian occupancy prediction framework that organizes primitives into a coarse-to-fine hierarchy. Benefiting from this hierarchical design, GaussianSeed effectively circumvents the memory bottlenecks inherent in dense representations, successfully scaling to a $0.1\text{m}$ spatial resolution while maintaining real-time inference capabilities. To comprehensively evaluate high-resolution geometric perception, we further construct TJScenes, a panoramic six-camera occupancy dataset with highly detailed $0.1\text{m}$ annotations. Extensive experiments on Occ3D-nuScenes and TJScenes demonstrate that GaussianSeed delivers the lowest latency among all evaluated methods while maintaining highly competitive accuracy, advancing the efficiency-quality frontier of high-resolution 3D occupancy prediction.
- Abstract（参考訳）: 視覚中心の3D占有率予測は、自律走行とロボットナビゲーションに不可欠な密集したシーン表現を提供するが、既存の手法では計算コストの禁止による高ボクセル解像度へのスケーリングに苦労している。
そこで本稿では,プリミティブを粗い階層構造に整理する,プログレッシブなマルチスケールガウス占有予測フレームワークであるGaussianSeedを紹介する。
ガウシアンセッドは、この階層的設計から恩恵を受け、高密度表現に固有のメモリボトルネックを効果的に回避し、実時間推論能力を維持しながら0.1\text{m}$空間分解能にスケールすることに成功した。
高分解能な幾何学的知覚を包括的に評価するために、パノラマ6カメラ占有データセットであるTJScenesを高精細な$0.1\text{m}$アノテーションで構築する。
Occ3D-nuScenes と TJScenes の大規模な実験により,GaussianSeed は高い競争精度を維持しながら,すべての評価手法の中で最低レイテンシを達成し,高分解能 3D 占有率予測の効率品質フロンティアを推し進めた。
関連論文リスト
- Gau-Occ: Geometry-Completed Gaussians for Multi-Modal 3D Occupancy Prediction [40.5891357994769]
Gau-Occは、密度の高いボリューム処理をバイパスするマルチモーダルフレームワークである。
幾何整列した2Dサンプリングとクロスモーダルアライメントにより、マルチビューイメージセマンティクスを統合する。
論文 参考訳（メタデータ） (2026-03-24T06:44:46Z) - GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。
提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。
GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-16T03:38:26Z) - Perceive-Sample-Compress: Towards Real-Time 3D Gaussian Splatting [7.421996491601524]
本稿では,3次元ガウス平滑化のための新しい知覚・サンプル圧縮フレームワークを提案する。
提案手法は,リアルタイムレンダリング速度を維持しながら,メモリ効率と視覚的品質を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T01:34:38Z) - ODG: Occupancy Prediction Using Dual Gaussians [38.9869091446875]
活動予測は周囲環境のカメラ画像から微細な3次元形状と意味を推定する。
既存の方法は、シーン表現として高密度グリッドを採用するか、単一のスパースクエリを使用してシーン全体を学習する。
複雑なシーンダイナミクスを効果的に捉えるために,階層的な二重スパースガウス表現であるODGを提案する。
論文 参考訳（メタデータ） (2025-06-11T06:03:03Z) - TGP: Two-modal occupancy prediction with 3D Gaussian and sparse points for 3D Environment Awareness [13.68631587423815]
3Dセマンティックな占有力は、ロボット工学と自律運転環境知覚の分野において、急速に研究の焦点となっている。
既存の占有予測タスクは、voxelやポイントクラウドベースのアプローチを使用してモデル化される。
本稿では空間的位置と体積構造情報のバランスをとる3次元ガウス集合とスパース点に基づく2次元モーダル予測法を提案する。
論文 参考訳（メタデータ） (2025-03-13T01:35:04Z) - 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) - GaussianOcc: Fully Self-supervised and Efficient 3D Occupancy Estimation with Gaussian Splatting [16.480043962212566]
本研究では, ガウススプラッティングとガウススプラッティングの2つの利用法を提案する。
その結果,GussianOcc法では,計算コストの低い競合性能において,完全に自己監督された3次元占有率推定が可能となった。
論文 参考訳（メタデータ） (2024-08-21T09:06:30Z) - 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。