Fugu-MT 論文翻訳(概要): SR-JEPA: Learning Predictive Latent State in 3D Scenes

論文の概要: SR-JEPA: Learning Predictive Latent State in 3D Scenes

arxiv url: http://arxiv.org/abs/2608.05774v1
Date: Thu, 06 Aug 2026 09:09:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 15:25:20.860797
Title: SR-JEPA: Learning Predictive Latent State in 3D Scenes
Title（参考訳）: SR-JEPA:3Dシーンで予測的潜在状態を学ぶ
Abstract要約: SR-JEPAは、シーンスケールのポイントクラウドのためのポイントネイティブなJEPAである。訓練は自己完結した3D EMAターゲットのみを使用する。 5,953個のARKitScenesオブジェクトでは、インプットされた潜伏語は43.13%のセマンティック・アイデンティティ・マクロ精度に達する。
参考スコア（独自算出の注目度）: 8.534434711262909
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Joint-embedding predictive architectures learn by predicting latent representations of missing observations, yet many masked JEPAs are evaluated primarily through the encoders they produce. We ask what a trained predictive pathway itself infers when an entire entity is absent from a native 3D scene. We introduce SR-JEPA, a point-native JEPA for scene-scale point clouds whose original frozen predictive pathway can be queried at a supplied location. At evaluation, every point of one object is removed before encoding and replaced by the same shape-free 32-point query at its centroid. Training uses only self-contained 3D EMA targets: no reconstruction, semantic labels, language, or lifted 2D features. On 5,953 held-out ARKitScenes objects, the imputed latent reaches 43.13% semantic-identity macro accuracy, 22.18 points above the strongest floor. Randomizing the prediction path removes 9.78 points, while substituting matched donor context removes 21.98 points. On 8,570 Sr3D support pairs, the full latent reaches 41.15 AP; identity decoded from the missing-object latent, combined with anchor identity and geometry, reaches 39.37 AP, leaving an unresolved 1.78-point residual. These results reveal a queryable, compositional 3D predictive state: the model completes context-dependent entity content, which downstream computation combines with metric geometry.
Abstract（参考訳）: 共同埋め込み予測アーキテクチャは、欠落した観察の潜在表現を予測することによって学習するが、多くのマスクされたJEPAは、主に生成するエンコーダによって評価される。トレーニングされた予測経路自体が、エンティティ全体がネイティブな3Dシーンから欠落している場合に、どのような推測を行うのかを問う。 SR-JEPAは,本来の凍結予測経路が供給された場所でクエリ可能な,シーンスケールのポイントクラウドのための,ポイントネイティブなJEPAである。評価では、1つのオブジェクトのすべてのポイントをエンコードする前に削除し、セントロイドで同じ形状のない32ポイントクエリに置き換える。トレーニングでは、自己完結した3D EMAターゲット(再構築、セマンティックラベル、言語、リフトされた2D機能)のみを使用する。保持されている5,953個のARKitScenesオブジェクトでは、最も高い階より22.18ポイント上の43.13%のセマンティック・アイデンティティ・マクロ精度に達する。予測経路のランダム化は9.78点を除去し、マッチドナーコンテキストの置換は21.98点を除去する。 8,570個のSr3Dサポートペアでは、完全な潜水剤は41.15 APに達し、欠落物体の潜水剤からデコードされ、アンカーのアイデンティティと幾何学が組み合わされ、39.37 APに達し、未解決の1.78点残基が残る。モデルがコンテキスト依存のエンティティコンテンツを完了し、下流の計算が計量幾何学と組み合わせる。

関連論文リスト

P-POSEMEM: Projective Semantic Memory for Consistent Language Grounding under Pose-Graph Rewrites [10.214485367791779]
P-POSEMEMは、それぞれの観測をその誕生時に不変事象として保存する。 Dprojは、推論等価な全グラフと辺付きグラフの言語ゴール分布間の全変分欠陥を測定する。
論文参考訳（メタデータ） (2026-09-14T12:31:38Z)
Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文参考訳（メタデータ） (2026-06-29T06:39:03Z)
Rethinking Point Clouds as Sequences: A Causal Next-Token Predictive Learning Framework [31.937606388374885]
我々は、ポイントクラウド事前学習を、完全に因果的かつデコーダのない潜伏型次世代予測問題として再構成するPointNTPを紹介した。提案されたPointNTPは、複数のダウンストリームタスクで非常に競争力がある。
論文参考訳（メタデータ） (2026-05-17T17:54:55Z)
Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
論文参考訳（メタデータ） (2026-02-27T08:54:20Z)
E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models [78.1674905950243]
3次元幾何学基礎モデル(GFM)の総合ベンチマークを初めて提示する。 GFMは、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、スローまたは未使用のカメラパラメータを不要にする。我々は16の最先端GFMを評価し、タスクやドメイン間の長所と短所を明らかにした。すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
論文参考訳（メタデータ） (2025-06-02T17:53:09Z)
ET-Former: Efficient Triplane Deformable Attention for 3D Semantic Scene Completion From Monocular Camera [53.20087549782785]
本稿では,単一単眼カメラを用いたセマンティックシーン補完のための新しいエンドツーエンドアルゴリズムET-Formerを紹介する。本手法は,単一のRGB観測からセマンティック占有マップを生成すると同時に,セマンティック予測のための不確実性推定を行う。
論文参考訳（メタデータ） (2024-10-14T19:14:49Z)
SD-Net: Symmetric-Aware Keypoint Prediction and Domain Adaptation for 6D Pose Estimation In Bin-picking Scenarios [2.786599193929693]
対称認識型キーポイント予測と自己学習領域適応(SD-Net)を備えた新しい6次元ポーズ推定ネットワークを提案する。キーポイント予測段階では,高度に隠蔽されたシーンにおいても,ロバストな3Dキーポイント選択戦略を設計し,3Dキーポイントを特定する。ドメイン適応段階において,学生-教員養成方式を用いた自己学習フレームワークを提案する。パブリックなSil'eaneデータセットでは、SD-Netは最先端の結果を達成し、平均精度は96%である。
論文参考訳（メタデータ） (2024-03-14T12:08:44Z)
V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文参考訳（メタデータ） (2023-08-08T17:14:14Z)
CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文参考訳（メタデータ） (2022-10-09T13:38:48Z)
BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR [22.553026961366005]
意味的に特定されたコンポーネントの完全連結グラフとして、3Dポイントクラウドをモデル化する。グラフ間の最適アソシエーションにより、完全な6自由度(DoF)のポーズ推定と位置認識が可能になる。この表現は非常に簡潔で、最先端に対して25の因子で写像のサイズを縮める。
論文参考訳（メタデータ） (2022-06-30T09:39:08Z)

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。