Fugu-MT 論文翻訳(概要): Emergent 3D Instance Segmentation from Self-Supervised Point Transformers

論文の概要: Emergent 3D Instance Segmentation from Self-Supervised Point Transformers

arxiv url: http://arxiv.org/abs/2608.15796v1
Date: Sun, 16 Aug 2026 15:20:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.425647
Title: Emergent 3D Instance Segmentation from Self-Supervised Point Transformers
Title（参考訳）: 自己監督点変換器からの創発的3次元インスタンス分割
Abstract要約: 屋外LiDARスキャンの教師なしの3Dインスタンスセグメンテーションは、伝統的に手作りの幾何学的先行技術に依存してきた。凍結自己制御型点変換器が既にオブジェクトインスタンスを分離するために必要な構造情報を含んでいるかどうかを検討する。本研究では,鍵相似グラフ上の連結成分を介して点をグループ化するトレーニング不要セグメンタであるTokenGraph3Dを提案する。
参考スコア（独自算出の注目度）: 15.864488266763976
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised 3D instance segmentation of outdoor LiDAR scans has traditionally relied on handcrafted geometric priors such as density-based clustering, motion cues, or projected 2D detections. In this work, we investigate whether a frozen, self-supervised point transformer already contains the structural information required to isolate object instances without any handcrafted geometric prior. Using this transformer purely as a feature extractor, we probe its internal representations across the SemanticKITTI, nuScenes, and Waymo Perception datasets. Our analysis yields four core insights: (1) the instance signal concentrates in the attention queries and keys rather than in the values or final output features; (2) output features semantically collapse, merging adjacent same-class objects that the queries and keys keep distinct; (3) this instance signal is bimodal in depth, strongest at the shallowest and deepest encoder stages; and (4) this signal is driven predominantly by the rotary position encoding (RoPE), whose removal collapses its advantage. We put these findings into our method TokenGraph3D, a training-free segmenter that groups points via connected components on a key-similarity graph, using neither density-based clustering nor proximity priors. Under identical prior-free conditions, we substantially outperform output-feature baselines, making the emergent 3D instance structure visible.
Abstract（参考訳）: 屋外LiDARスキャンの教師なしの3Dインスタンスセグメンテーションは、伝統的に、密度に基づくクラスタリング、モーションキュー、投影された2D検出といった手作りの幾何学的先行技術に依存してきた。本研究では,凍結自己監督型点変圧器が,手作りの幾何学的手法を使わずにオブジェクトインスタンスを分離するために必要な構造情報を既に含んでいるかどうかを考察する。この変換器を純粋に特徴抽出器として使用し、SemanticKITTI、nuScenes、Waymo Perceptionデータセットにまたがる内部表現を探索する。分析では,(1) インスタンス信号は,値や最終的な出力特徴ではなく,注目クエリやキーに集中し,(2) 出力特徴が意味的に崩壊し,クエリとキーが区別されるような,隣接した同クラスのオブジェクトをマージする,(3) インスタンス信号は,最浅層および最深層で最強のバイモーダルで,(4) この信号は回転位置符号化(RoPE)によって主に駆動される,という4つの中核的な知見を得た。そこで本研究では,鍵相似グラフ上の連結成分を介して点をグループ化する学習自由セグメンタであるTokenGraph3Dについて,密度に基づくクラスタリングも近接先行も使用しない手法を提案する。同一の事前自由条件下では、出力-特徴ベースラインを著しく上回り、創発的な3Dインスタンス構造を可視化する。

関連論文リスト

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)
Understanding Geometric Representations in Self-Supervised Vision Transformers via Subspace Intervention [7.887469434417159]
本研究では、自己教師型視覚変換器(ViT)が高密度な幾何学的情報をエンコードする方法を検討するために、制御されたサブスペース介入フレームワークを導入する。これらの知見は、内部符号化機構と下流性能を結合することにより、効率的な特徴選択と軽量デコーダ設計の基礎となる。
論文参考訳（メタデータ） (2026-07-02T10:18:02Z)
FAST3DIS: Feed-forward Anchored Scene Transformer for 3D Instance Segmentation [15.271467111162714]
FAST3DISは、ホット後のクラスタリングを効果的にバイパスするエンドツーエンドのアプローチである。本稿では,基礎的な奥行きバックボーン上に構築された3Dアンコール型クエリベースのTransformerアーキテクチャを提案する。複雑な屋内3次元データセットを用いた実験により,本手法が競合セグメンテーション精度を実現することを示す。
論文参考訳（メタデータ） (2026-03-27T00:45:31Z)
S-LAM3D: Segmentation-Guided Monocular 3D Object Detection via Feature Space Fusion [0.0]
モノクロ3Dオブジェクト検出は、使用する入力の性質のため、コンピュータビジョンの課題を表す。本稿では,事前計算されたセグメンテーション情報を挿入し,特徴空間に直接ファインダをファインダに注入して検出を誘導する分離戦略を提案する。提案手法はKITTI 3D Object Detection Benchmarkで評価され,RGB画像にのみ依存する等価なアーキテクチャをシーン内の小さなオブジェクトに対して実現している。
論文参考訳（メタデータ） (2025-09-07T10:14:56Z)
AutoInst: Automatic Instance-Based Segmentation of LiDAR 3D Scans [41.17467024268349]
3D環境を理解するには、きめ細かい風景を理解する必要がある。教師なしの方法で3次元シーンのインスタンスセグメンテーションを予測することを提案する。平均精度は13.3%,F1スコアは9.1%向上した。
論文参考訳（メタデータ） (2024-03-24T22:53:16Z)
KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
論文参考訳（メタデータ） (2024-03-15T08:44:56Z)
OA-DET3D: Embedding Object Awareness as a General Plug-in for Multi-Camera 3D Object Detection [77.43427778037203]
我々は3Dオブジェクト検出を改善するプラグインモジュールであるOA-DET3Dを紹介する。 OA-DET3Dは、オブジェクト中心の深度情報と前景の擬似点を活用することにより、オブジェクトの表現を高める。我々は、OA-DET3Dの有効性を検証するために、nuScenesデータセットとArgoverse 2データセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-01-13T06:02:31Z)
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)
M3DSSD: Monocular 3D Single Stage Object Detector [82.25793227026443]
特徴アライメントと非対称非局所的注意を有するモノクロ3次元単段物体検出器(M3DSSD)を提案する。提案したM3DSSDは,KITTIデータセット上のモノラルな3Dオブジェクト検出手法よりも大幅に性能が向上する。
論文参考訳（メタデータ） (2021-03-24T13:09:11Z)
Monocular 3D Object Detection with Sequential Feature Association and Depth Hint Augmentation [12.55603878441083]
FADNetは、モノクル3Dオブジェクト検出の課題に対処するために提示される。専用のディープヒントモジュールは、ディープヒントと呼ばれる行ワイズ機能を生成するように設計されている。この研究の貢献は、KITTIベンチマークの実験およびアブレーション研究によって検証される。
論文参考訳（メタデータ） (2020-11-30T07:19:14Z)
Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文参考訳（メタデータ） (2020-11-25T18:59:54Z)

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。