Fugu-MT 論文翻訳(概要): CoordRefer: Coordinate-Aware 3D Visual Grounding from Multiview Images

論文の概要: CoordRefer: Coordinate-Aware 3D Visual Grounding from Multiview Images

arxiv url: http://arxiv.org/abs/2608.05569v1
Date: Thu, 06 Aug 2026 03:40:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 15:25:20.816785
Title: CoordRefer: Coordinate-Aware 3D Visual Grounding from Multiview Images
Title（参考訳）: CoordRefer:マルチビュー画像からのコーディネート対応3次元視覚グラウンド
Abstract要約: CoordReferは、座標条件付きグラウンドから座標フレームの選択を分離する、座標対応フレームワークである。 Qwen3-VL-2BのScanReferでは、CoordReferはAcc@0.25で11%、Acc@0.5で7%の上昇を達成した。
参考スコア（独自算出の注目度）: 16.527170372311883
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multiview image-based 3D visual grounding predicts a coordinate frame to define a coordinate system and then regresses a 3D bounding box for localization. However, existing methods jointly optimize coordinate frame selection and box regression, leading to coordinate-relative box ambiguity and degraded grounding performance. This ambiguity arises because the same box admits different numerical representations across coordinate frames, creating multiple optimization targets and yielding invalid compromise predictions. To tackle this challenge, we propose CoordRefer, a coordinate-aware framework that decouples coordinate frame selection from coordinate-conditioned grounding. CoordRefer first selects a reference frame to define the coordinate system and then conditions 3D box prediction on the coordinate system. We perform coordinate-aware supervised fine-tuning to establish coordinate frame selection and coordinate-conditioned box regression, followed by Group Relative Policy Optimization with 3D IoU-based rewards to align both stages with downstream grounding quality. On ScanRefer with Qwen3-VL-2B, CoordRefer achieves gains of 11% in Acc@0.25 and 7% in Acc@0.5 over the coordinate-agnostic baseline, while its geometrically refined variant surpasses methods using explicit 3D inputs.
Abstract（参考訳）: マルチビュー画像に基づく3D視覚グラウンドは座標フレームを予測して座標系を定義し、ローカライゼーションのために3D境界ボックスを回帰する。しかし,既存手法は座標フレーム選択とボックス回帰を協調的に最適化し,座標相対的ボックスあいまいさと劣化した接地性能をもたらす。この曖昧さは、同じボックスが座標フレーム間で異なる数値表現を認め、複数の最適化目標を作成し、不正な妥協予測をもたらすために生じる。この課題に対処するために,座標条件付きグラウンドリングから座標フレーム選択を分離する座標認識フレームワークであるCoordReferを提案する。 CoordReferはまず基準フレームを選択して座標系を定義し、次に座標系上で条件3Dボックス予測を行う。座標フレーム選択と座標条件付きボックス回帰を確立するために座標認識による微調整を行い、3D IoUベースの報酬を伴うグループ相対ポリシー最適化を行い、両ステージを下流の接地品質に整合させる。 Qwen3-VL-2Bを用いたScanReferでは、CoordReferは座標に依存しないベースラインよりもAcc@0.25で11%、Acc@0.5で7%のゲインを達成する。

関連論文リスト

Stable and Scalable Bundle Adjustment of Holistic 3D Structures [99.03818732955783]
本稿では,3次元コンピュータビジョンのためのBundle Adjustment (BA) の新バージョンを提案する。 BAはカメラ、ポーズ、3Dポイントを共同で最適化するために開発された。グループ誘導測定とクロスフィーチャー・リジェクションにより、古典的な点のみの3次元正規化の空間性を維持する。
論文参考訳（メタデータ） (2026-09-03T16:08:03Z)
USR-Drive: Unified Driving Scene Representation via Joint Denoising of 3D Gaussians and Boxes [57.4583999658488]
自律運転のための空間表現学習は、生の視覚信号を構造化された3次元シーン表現にマッピングすることを目的としている。既存の方法は動的再構成とインスタンスレベルの認識を別々のタスクとして扱う。共有シーン表現における高密度な動的幾何とインスタンスレベルのオブジェクトレイアウトを復元する統一条件生成フレームワークUSR-Driveを提案する。
論文参考訳（メタデータ） (2026-08-19T15:29:06Z)
Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文参考訳（メタデータ） (2026-01-05T18:33:50Z)
HccePose(BF): Predicting Front & Back Surfaces to Construct Ultra-Dense 2D-3D Correspondences for Pose Estimation [37.50046993538762]
観測対象の推定では、ニューラルネットワークを使用して2D画像上の物体表面の密集した3D座標を予測する。本研究は、ポーズ間の3次元座標を密集して、物体の前面と後面の両方を3次元座標で予測する。その結果,提案手法は7つの古典的BOPコアデータセットより優れていることがわかった。
論文参考訳（メタデータ） (2025-10-11T11:29:53Z)
Point3R: Streaming 3D Reconstruction with Explicit Spatial Pointer Memory [72.75478398447396]
我々は,高密度ストリーミング3D再構成を目的としたオンラインフレームワークであるPoint3Rを提案する。具体的には、現在のシーンの3次元構造に直接関連した空間ポインタメモリを明示的に保持する。本手法は,訓練コストの低い各種タスクにおいて,競争力や最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2025-07-03T17:59:56Z)
POMATO: Marrying Pointmap Matching with Temporal Motion for Dynamic 3D Reconstruction [53.19968902152528]
POMATOは時間運動と一致する点マップを結合して動的3次元再構成を実現するための統合フレームワークである。具体的には,RGB画素を動的および静的の両方の領域から3次元ポイントマップにマッピングすることで,明示的なマッチング関係を学習する。本稿では,複数の下流タスクにまたがる顕著な性能を示すことによって,提案したポイントマップマッチングと時間融合のパラダイムの有効性を示す。
論文参考訳（メタデータ） (2025-04-08T05:33:13Z)
A2B: Anchor to Barycentric Coordinate for Robust Correspondence [25.719939636977934]
偏心座標のような幾何学的不変な座標表現は特徴間のミスマッチを著しく低減できることを示す。本稿では,ペア画像から複数のアフィン-不変対応座標を生成する新しいアンカー-バリー中心(A2B)座標符号化手法であるDECREEを紹介する。
論文参考訳（メタデータ） (2023-06-05T10:28:53Z)
CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。近年の研究では、高密度対応型解の大きな可能性を示している。そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-29T17:30:53Z)
Neural Correspondence Field for Object Pose Estimation [67.96767010122633]
1枚のRGB画像から3次元モデルで剛体物体の6DoFポーズを推定する手法を提案する。入力画像の画素で3次元オブジェクト座標を予測する古典的対応法とは異なり,提案手法はカメラフラストラムでサンプリングされた3次元クエリポイントで3次元オブジェクト座標を予測する。
論文参考訳（メタデータ） (2022-07-30T01:48:23Z)
Faster VoxelPose: Real-time 3D Human Pose Estimation by Orthographic Projection [24.964926464973026]
ボクセル法はマルチカメラを用いた多人数3Dポーズ推定において有望な結果を得た。本稿では,3次元座標面に特徴量を再投影することにより,この問題に対処する高速なVoxelPoseを提案する。コストのかかる3D-CNNは不要であり、VoxelPoseの速度を10倍に向上させる。
論文参考訳（メタデータ） (2022-07-22T09:10:01Z)
Joint Spatial-Temporal Optimization for Stereo 3D Object Tracking [34.40019455462043]
本研究では,空間時間最適化に基づくステレオ3次元物体追跡手法を提案する。ネットワークから隣接画像上の対応する2Dバウンディングボックスを検出し,初期3Dバウンディングボックスを回帰する。オブジェクトセントロイドに関連づけられた複雑なオブジェクトキューは、リージョンベースのネットワークを使用して予測される。
論文参考訳（メタデータ） (2020-04-20T13:59:46Z)
L6DNet: Light 6 DoF Network for Robust and Precise Object Pose Estimation with Small Datasets [0.0]
1枚のRGB-D画像から6つのDoFオブジェクトのポーズ推定を行う新しい手法を提案する。データ駆動と幾何学という2段階のハイブリッドパイプラインを採用しています。私たちのアプローチは最先端の手法よりも堅牢で正確です。
論文参考訳（メタデータ） (2020-02-03T17:41:29Z)

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。