論文の概要: Rethinking 3D Segmentation from Individual LiDAR Scans: Incidence-Aware Sampling on the SIP Benchmark

• arxiv url: http://arxiv.org/abs/2608.07757v1
• Date: Fri, 07 Aug 2026 20:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.497778
• Title: Rethinking 3D Segmentation from Individual LiDAR Scans: Incidence-Aware Sampling on the SIP Benchmark
• Title（参考訳）: 個々のLiDARスキャンから3次元セグメンテーションを再考する: SIPベンチマークに基づくインシデンス・アウェア・サンプリング
• Abstract要約: 本研究では,個別LiDARスキャンにおける入射型サンプリング手法を提案する。 この方法は、ボクセルベースの選択のために幾何正規化された多様体空間を指し示す。 Point TransformerとPointNeXtによる実験では、解像度平均セグメンテーション性能が改善された。
• 参考スコア（独自算出の注目度）: 2.714583452862024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D scene understanding is increasingly important in construction, yet most methods are developed on curated datasets that do not fully reflect real site sensing conditions. In many workflows, individual LiDAR scans provide rapid local updates rather than complete scene representations, producing limited surface coverage, acquisition-driven density variation, and severe imbalance between dominant planar surfaces and sparse construction elements. Because large point clouds must be downsampled, sampling resolution and point allocation directly affect the balance between geometric detail and spatial context. This study evaluates these effects under a fixed per-fragment point budget and introduces an incidence-aware sampling strategy for individual LiDAR scans. The method maps points to a geometry-normalized manifold space for voxel-based selection while preserving original Euclidean coordinates for downstream learning. It requires only point coordinates and normals and no backbone modification. Using the Site in Pieces (SIP) benchmark, experiments with Point Transformer and PointNeXt show improved resolution-averaged segmentation performance, especially for non-planar elements and ladders, while reducing sensitivity to sampling resolution. The results show that acquisition-aware sampling can provide a more stable geometric representation and should be treated as an active component of individual-scan 3D segmentation rather than generic preprocessing.
• Abstract（参考訳）: 3Dシーンの理解は建設においてますます重要になっているが、ほとんどの手法は実地検知条件を完全に反映しないキュレートされたデータセット上で開発されている。 多くのワークフローにおいて、個々のLiDARスキャンは、シーンの完全な表現よりも高速な局所的な更新を提供し、限られた表面カバレッジ、取得駆動密度のばらつき、支配的な平面面とスパース構成要素の間の深刻な不均衡をもたらす。 大きな点雲はダウンサンプリングされなければならないため、サンプリング分解能と点割り当ては幾何学的詳細と空間的文脈のバランスに直接影響する。 本研究では,これらの効果をフラッグメント単位の予算で評価し,個々のLiDARスキャンに対する入射認識サンプリング戦略を導入する。 この方法は、下流学習のためのユークリッド座標を保ちながら、ボクセルに基づく選択のための幾何学正規化多様体空間を指し示す。 ポイント座標とノーマルしか必要とせず、バックボーンの変更は不要である。 Site in Pieces (SIP) ベンチマークを用いて、Point Transformer と PointNeXt の実験では、特に非平面要素やラグに対して、解像度平均セグメンテーション性能が向上し、サンプリング解像度に対する感度が低下した。 以上の結果から, より安定な幾何学的表現を提供することが可能であり, 汎用的な前処理ではなく, 個別のスキャン3次元セグメント化の有効成分として扱うべきである。

関連論文リスト

• Optimizing 3D Gaussian Splatting via Point Cloud Upsampling [11.209081297828961]
  3D Gaussianting(3DGS)は、3Dシーンの作成とレンダリングのためのテクニックである。 この研究は、いくつかの点の雲のアップサンプリング手法を提示し、評価する。 様々な場面で再現性の向上を示す。
  論文  参考訳（メタデータ） (2026-05-30T00:42:17Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• AVS-Net: Point Sampling with Adaptive Voxel Size for 3D Scene Understanding [16.03214439663472]
  本稿では,精度と効率性を両立する高度サンプリング器を提案する。 本稿では,Voxel Adaptation Module(Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module,Voxel Adaptation Module)を提案する。 既存の最先端手法と比較して,本手法は屋外および屋内の大規模データセットの精度を向上する。
  論文  参考訳（メタデータ） (2024-02-27T14:05:05Z)
• iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
  3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。 任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。 iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T13:24:37Z)
• PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic Occupancy Prediction [72.75478398447396]
  本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。 また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。 プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
  論文  参考訳（メタデータ） (2023-08-31T17:57:17Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Dynamic 3D Scene Analysis by Point Cloud Accumulation [32.491921765128936]
  マルチビームLiDARセンサーは、自動運転車や移動ロボットに使われている。 各フレームは、角度のスキャンの解像度と閉塞が制限されているため、わずかにシーンをカバーしている。 本研究では,屋外の街路景観の帰納的バイアスを利用して,その幾何学的レイアウトとオブジェクトレベルの剛性を求める手法を提案する。
  論文  参考訳（メタデータ） (2022-07-25T17:57:46Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
  モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。 従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。 我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。 これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
  論文  参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。