論文の概要: LEGO: Leveled Language Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2608.10057v1
• Date: Mon, 10 Aug 2026 17:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.769264
• Title: LEGO: Leveled Language Gaussian Splatting
• Title（参考訳）: LEGO:Leveled Language Gaussian Splatting
• Abstract要約: LEGOは、揮発性多視点SAMの粒度を統一された3D一貫性階層に自己調整する。 これにより、3Dシーンの構造的に一貫性のあるマルチレベルセグメンテーションの正確な監視が可能になる。 結果からLEGOは,迅速な3Dセグメンテーションベンチマークとオープンな3Dセグメンテーションベンチマークの両方で,最先端のパフォーマンスを確立していることがわかった。
• 参考スコア（独自算出の注目度）: 12.750440790056937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce LEGO for advanced open-vocabulary scene understanding. Beyond basic concept recognition, its core innovation lies in capturing the intrinsic semantic hierarchies within the scene, such as the "flowerpot -> bouquet -> bud -> petal" lineage. While foundation models like SAM can identify multi-granular structures in 2D, their partitions are strictly perspective-bound and lack cross-view consensus. LEGO self-adaptively re-grades volatile multi-view SAM granularities into a unified, 3D-consistent hierarchy. This provides precise supervision for the structurally coherent, multi-level segmentation of 3D scenes. By grounding these segments with CLIP embeddings, LEGO recovers open-vocabulary semantic logic across hierarchical levels. Furthermore, by incorporating spatial relationships, we elevate these segments into level-wise language scene graphs, effectively empowering Large Language Models to perform complex, context-aware spatial reasoning and precise visual grounding. Experimental results demonstrate that LEGO establishes new state-of-the-art performance across both promptable and open-vocabulary 3D segmentation benchmarks, exhibiting advanced hierarchical scene decomposition and context-aware spatial reasoning.
• Abstract（参考訳）: オープン語彙シーン理解のためのLEGOを紹介します。 基本的な概念認識の他に、その中心となる革新は、シーン内の固有の意味的階層("flowerpot -> bouquet -> bud -> petal" など)をキャプチャすることにある。 SAMのような基礎モデルは2Dで複数の粒状構造を識別できるが、その分割は厳密な視点に縛られ、視野横断のコンセンサスがない。 LEGOは、揮発性多視点SAMの粒度を統一された3D一貫性階層に自己調整する。 これにより、3Dシーンの構造的に一貫性のあるマルチレベルセグメンテーションの正確な監視が可能になる。 これらのセグメントをCLIP埋め込みで基盤付けることで、LEGOは階層レベルのオープン語彙のセマンティックロジックを回復する。 さらに、空間的関係を組み込むことにより、これらのセグメントをレベルワイドな言語シーングラフに高め、大規模言語モデルに効果的に力を与え、複雑で文脈に合った空間的推論と正確な視覚的接地を行う。 実験結果から,LEGOは3Dセグメンテーションベンチマークと3Dセグメンテーションベンチマークを併用し,高度な階層的シーン分解と文脈対応空間推論を実現していることがわかった。

関連論文リスト

• EgoHieraLoc: A Cortically Inspired Hierarchical Segmentation-Guided Framework for Egocentric Visual Query Localization [9.547789251222838]
  ビジュアルクエリローカライゼーション(VQL)は、エゴセントリックなビデオでクエリ対象を検索し、再ローカライズすることを目的としている。 人間の視覚は階層的なプロセスを通じてあいまいさを扱う。 我々は,VQL-2DとVQL-3Dの統一フレームワークである textbfEgoHieraLoc を提案する。
  論文  参考訳（メタデータ） (2026-08-10T14:31:01Z)
• SDesc3D: Towards Layout-Aware 3D Indoor Scene Generation from Short Descriptions [71.54559024212976]
  短いテキスト記述を前提とした室内3次元シーン生成は,インタラクティブな3次元環境構築に有望な道を提供する。 既存の作品は、そのような意味的凝縮の場合、身体的妥当性の低下と詳細性の不足に悩まされている。 SDesc3Dは,マルチビュー構造と地域機能を考慮した,短文条件付き屋内シーン生成フレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T12:33:01Z)
• TreeGaussian: Tree-Guided Cascaded Contrastive Learning for Hierarchical Consistent 3D Gaussian Scene Segmentation and Understanding [19.718058183540624]
  木誘導型コントラスト学習フレームワークであるTreeGaussianを紹介する。 マルチレベルオブジェクトツリーを構築することで、TreeGaussianは、オブジェクト-部分階層間の構造化学習を可能にする。 不安定なガウス点を抑えながらビューを整列させるグラフベースのデノナイジングモジュールが導入された。
  論文  参考訳（メタデータ） (2026-03-31T10:22:28Z)
• CVP: Central-Peripheral Vision-Inspired Multimodal Model for Spatial Reasoning [48.36177110428022]
  空間的推論のための中央周辺視覚誘発フレームワーク(CVP)を提案する。 CVPは、中心視と周辺視という2種類の人間の視野からインスピレーションを得ている。 実験の結果,CVPは様々な3Dシーン理解ベンチマークで最先端のパフォーマンスを達成することがわかった。
  論文  参考訳（メタデータ） (2025-12-09T00:21:13Z)
• PGOV3D: Open-Vocabulary 3D Semantic Segmentation with Partial-to-Global Curriculum [20.206273757144547]
  PGOV3Dはオープンな3Dセマンティックセマンティックセグメンテーションを改善するための部分言語カリキュラムを導入した新しいフレームワークである。 我々は、密接な意味情報を提供する部分的なシーンでモデルを事前訓練するが、比較的単純な幾何学である。 第2段階では、よりスペーサーで構造的に複雑である、完全なシーンレベルの点雲上でモデルを微調整する。
  論文  参考訳（メタデータ） (2025-06-30T08:13:07Z)
• Agentic 3D Scene Generation with Spatially Contextualized VLMs [67.31920821192323]
  本稿では,複雑な3D環境の生成,理解,編集を可能にする新しいパラダイムを提案する。 我々は,VLMが空間コンテキストから反復的に読み取って更新するエージェント型3Dシーン生成パイプラインを開発した。 その結果,我々のフレームワークは多様かつ困難な入力を処理でき,事前の作業では観測できないような一般化のレベルを達成することができることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T15:28:17Z)
• ReasonGrounder: LVLM-Guided Hierarchical Feature Splatting for Open-Vocabulary 3D Visual Grounding and Reasoning [68.4209681278336]
  Open-vocabulary 3D visual grounding and reasoningは、暗黙の言語記述に基づくシーン内のオブジェクトのローカライズを目的としている。 現在の方法は、3Dアノテーションとマスクの提案による微調整に大きく依存しているため、苦労している。 適応グルーピングのための階層型3次元特徴ガウス場を用いたLVLM誘導フレームワークであるReasonGrounderを提案する。
  論文  参考訳（メタデータ） (2025-03-30T03:40:35Z)
• EgoSplat: Open-Vocabulary Egocentric Scene Understanding with Language Embedded 3D Gaussian Splatting [108.15136508964011]
  EgoSplatは、オープン・ボキャブラリ・エゴセントリック・シーン理解のための3Dガウス・スプレイティング・フレームワークである。 EgoSplatは2つのデータセット上のローカライゼーションタスクとセグメンテーションタスクの両方において、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-14T12:21:26Z)
• N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
  Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。 画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。 オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-16T18:50:44Z)

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。