論文の概要: Geometry-Aware Spatio-Temporal Context Modeling for 4D Occupancy Forecasting

• arxiv url: http://arxiv.org/abs/2608.15279v1
• Date: Sat, 15 Aug 2026 15:22:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.247292
• Title: Geometry-Aware Spatio-Temporal Context Modeling for 4D Occupancy Forecasting
• Title（参考訳）: 4次元作業予測のための幾何学的空間空間空間モデル
• Abstract要約: 本研究では、4次元占有予測のための幾何学的空間空間的文脈モデリング手法(GAST)を提案する。 具体的には、生成モジュールは、高い幾何学的忠実度と意味的妥当性を有するフレーム単位の占有率を生成する。 Occ3D-nusの実験は、我々の手法の優位性を示し、mIoUが7.67%、IoUが6.44%、スピードアップが2.84倍である。
• 参考スコア（独自算出の注目度）: 45.44434144383036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 4D occupancy forecasting models the spatio-temporal evolution of 3D scenes and is crucial for autonomous driving, especially for corner-case simulation. Existing methods often rely on discrete tokenization followed by autoregressive prediction, yet struggle with geometric distortion in static structures and inconsistent temporal coherence over the forecasting horizon. In this work, we propose a Geometry-Aware Spatio-Temporal context modeling method (GAST) for 4D occupancy forecasting, built upon progressive explicit-implicit generation and dual-path spatio-temporal modeling. Specifically, the generation module produces per-frame occupancy with high geometric fidelity and semantic plausibility through pose-driven warping, motion-aware feature modulation, and attention-based feature refinement. Subsequently, the spatio-temporal module enhances spatial consistency through global context aggregation while capturing scene evolution through temporal dynamics extraction. This unified design enables joint optimization of historical reconstruction and future forecasting in an end-to-end manner. Extensive experiments on Occ3D-nuScenes demonstrate the superiority of our method, outperforming the state-of-the-art by 7.67% in mIoU and 6.44% in IoU with a 2.84x speedup, while maintaining strong performance in long-term forecasting.
• Abstract（参考訳）: 4D占有率予測は、3Dシーンの時空間的進化をモデル化し、特にコーナーケースシミュレーションにおいて自律運転に不可欠である。 既存の手法はしばしば離散トークン化に頼り、自己回帰予測が続くが、静的構造における幾何学的歪みと予測水平線上の矛盾した時間的コヒーレンスに苦慮する。 本研究では,プログレッシブな明示的単純生成とデュアルパス時空間モデルに基づく4次元占有予測のための幾何学的空間空間空間モデル(GAST)を提案する。 特に、生成モジュールは、ポーズ駆動のワープ、動き認識特徴変調、注意に基づく特徴改善を通じて、高い幾何学的忠実度と意味的妥当性を有するフレーム単位の占有率を生成する。 その後、時空間モジュールは、時間的ダイナミクス抽出によってシーンの進化を捉えながら、大域的コンテキストアグリゲーションを通じて空間的一貫性を高める。 この統合設計により、歴史的復元と将来の予測をエンドツーエンドで共同で最適化することができる。 Occ3D-nuScenes の大規模実験により, 長期予測では高い性能を維持しつつ, mIoU の7.67%, IoU の6.44%を2.84倍のスピードアップで上回った。

関連論文リスト

• InterOCF: Spatio-Temporal 2D-3D Interaction for Camera-Only 4D Occupancy Forecasting [14.13719947869133]
  カメラのみの4D占有予測により、自動運転車は歴史的多視点画像のみから将来の3Dセマンティックシーンを予測できる。 我々は,3次元ボクセル表現と多視点セグメンテーションシーケンスの両方において,時間的ダイナミクスを共同でモデル化する4次元占有予測のための新しいフレームワークであるInterOCFを紹介した。 1) 歴史的ボクセル状態から体積力学を学習し,将来のボクセル状態を予測する3次元時空間(3DST)モジュール,2) 補助的多視点時間分割予測を用いた2次元時空間(2DST)モジュール。
  論文  参考訳（メタデータ） (2026-07-27T13:43:37Z)
• Towards Physically Consistent 4D Scene Reconstruction for Closed-loop Autonomous Driving Simulation [19.055975606481635]
  高忠実なストリートシーンの再構築は、エンドツーエンドの自動運転シミュレーションにおいて重要である。 既存の3DGSメソッドとその4D拡張は、両方を同時に達成できない。 空間的識別性を回復するための直交射影勾配(OPG)を提案する。
  論文  参考訳（メタデータ） (2026-05-20T11:09:53Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• StemVLA:An Open-Source Vision-Language-Action Model with Future 3D Spatial Geometry Knowledge and 4D Historical Representation [6.0744834626758495]
  StemVLAは、未来の3D空間知識と歴史的4D表現の両方をアクション予測に明示的に組み込む新しいフレームワークである。 我々は,CALVIN ABC-D ベンチマーク [46] において,StemVLA はタスクの長期化と最先端性能を著しく向上し,XXX の平均シーケンス長を達成できることを示した。
  論文  参考訳（メタデータ） (2026-02-27T06:43:37Z)
• U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences [54.77163447282599]
  既存の生成フレームワークは、すべての空間領域を均一に扱い、現実世界のシーンで様々な不確実性を見渡せる。 4次元LiDAR世界モデリングのための不確実性認識フレームワークであるU4Dを提案する。 提案手法はまず,事前訓練されたセグメンテーションモデルから空間不確実性マップを推定し,意味論的に困難な領域を局所化する。 次に,(1)高エントロピー領域を微細な幾何学的忠実度で再構成する不確実領域モデリング,(2)学習された構造的先行条件の下で残りの領域を合成する不確実条件完備化という2つの段階を通じて,「ハード・トゥ・イージー」な方法で生成を行う。
  論文  参考訳（メタデータ） (2025-12-02T17:59:57Z)
• ST-GS: Vision-Based 3D Semantic Occupancy Prediction with Spatial-Temporal Gaussian Splatting [21.87807066521776]
  3次元占有予測は、視覚中心の自律運転における総合的なシーン理解に不可欠である。 近年, 計算オーバーヘッドを低減しつつ, 3次元意味ガウスモデルを用いて占有率をモデル化する研究が進められている。 本稿では,時空間モデリングと時空間モデリングの両立を図るため,新しい時空間ガウススティング(ST-GS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-20T06:36:30Z)
• SAMPO:Scale-wise Autoregression with Motion PrOmpt for generative world models [42.814012901180774]
  textbfSAMPOは、フレーム内生成のための視覚的自己回帰モデリングと、次のフレーム生成のための因果モデリングを組み合わせたハイブリッドフレームワークである。 動作条件付きビデオ予測とモデルベース制御において,SAMPOが競合性能を発揮することを示す。 また、SAMPOのゼロショット一般化とスケーリング挙動を評価し、未知のタスクに一般化する能力を示す。
  論文  参考訳（メタデータ） (2025-09-19T02:41:37Z)
• OccTENS: 3D Occupancy World Model via Temporal Next-Scale Prediction [25.630452373274636]
  OccTENS (OccTENS) は、制御可能な、高忠実な長期の占有率生成を可能にする、世代的占有率の世界モデルである。 我々は、占領世界モデルを時間的次規模予測(TENS)タスクとして再構成する。 OccTENSは、高い占有率と高速な推論時間の両方で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-09-04T05:06:47Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• DiST-4D: Disentangled Spatiotemporal Diffusion with Metric Depth for 4D Driving Scene Generation [50.01520547454224]
  現在の生成モデルは、時空間外挿と空間新規ビュー合成(NVS)を同時にサポートする4次元駆動シーンの合成に苦慮している 本研究では,2つの拡散過程に分散するDiST-4Dを提案する。DST-Tは過去の観測結果から直接,将来の距離深度と多視点RGBシーケンスを予測し,DST-Sは,既存の視点でのみ空間的NVSを訓練し,サイクル整合性を実現する。 実験により、DiST-4Dは時間的予測とNVSタスクの両方において最先端のパフォーマンスを達成し、同時に計画関連評価において競合性能を提供することが示された。
  論文  参考訳（メタデータ） (2025-03-19T13:49:48Z)
• EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
  イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。 本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。 動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。 最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
  論文  参考訳（メタデータ） (2025-03-14T13:15:54Z)
• An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
  DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。 提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
  論文  参考訳（メタデータ） (2024-12-18T12:10:33Z)
• STGFormer: Spatio-Temporal GraphFormer for 3D Human Pose Estimation in Video [7.345621536750547]
  本稿では,ビデオ中の3次元ポーズ推定のためのS-Temporal GraphFormerフレームワーク(STGFormer)を提案する。 まず,人体固有のグラフ分布をより効果的に活用するためのSTGアテンション機構を導入する。 次に、時間次元と空間次元を独立に並列に処理するための変調ホップワイド正規GCNを提案する。 最後に,Human3.6MおよびMPIINF-3DHPデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2024-07-14T06:45:27Z)

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。