Fugu-MT 論文翻訳(概要): ReRef-3D: A Benchmark for Spatial Referring Expression-Guided 3D Scene Rearrangement

論文の概要: ReRef-3D: A Benchmark for Spatial Referring Expression-Guided 3D Scene Rearrangement

arxiv url: http://arxiv.org/abs/2608.16011v1
Date: Mon, 17 Aug 2026 02:03:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.502007
Title: ReRef-3D: A Benchmark for Spatial Referring Expression-Guided 3D Scene Rearrangement
Title（参考訳）: Reref-3D:空間参照式誘導3次元シーン再構成のためのベンチマーク
Abstract要約: ReRef-3Dは、3Dシーンにおける言語誘導配置のベンチマークである。 998 CLEVR由来のシーンに33,826の命令が含まれている。
参考スコア（独自算出の注目度）: 15.153126263518487
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce ReRef-3D, a benchmark for language-guided placement in 3D scenes. It contains 33,826 instructions across 998 CLEVR-derived scenes, spanning 16 placement families and direct, one-hop, and two-hop references. Each instruction must be resolved into a valid new placement position. Given that an instruction defines a region of acceptable placements rather than one coordinate, our evaluation inserts a prediction into the scene, recomputes relations, and tests relation satisfaction and physical validity. Each instruction also includes a verified naturalized rewrite. After fine-tuning, LLaVA-3D, 3D-LLM, and PlaceIt3D produce valid placements for 68.3%, 31.6%, and 22.4% of instructions, respectively. Across models, relation satisfaction surpasses physical validity, relations such as nearest and between are the most difficult, and phrasing has minimal effect on performance.
Abstract（参考訳）: 本稿では,3次元シーンにおける言語誘導配置のベンチマークであるReRef-3Dを紹介する。 998 CLEVR由来のシーンに33,826の命令があり、16の配置ファミリと1ホップ、2ホップの参照がある。各命令は有効な新しい配置位置に解決されなければならない。命令が一つの座標ではなく許容される配置の領域を定義することを前提として、評価はシーンに予測を挿入し、関係を再計算し、関係満足度と物理的妥当性をテストする。各命令には、検証された自然化書き直しも含まれている。微調整後、LLaVA-3D、3D-LLM、PlaceIt3Dはそれぞれ68.3%、31.6%、22.4%の精度で配置されている。モデル全体では、関係満足度は物理的妥当性を超越し、最寄りと最寄りの関係は最も困難であり、表現はパフォーマンスに最小限の影響を与える。

関連論文リスト

ThinkAfford: Affordance-Centric Reasoning for Fine-Grained 3D Grounding in Cluttered Scenes [32.732813539170635]
タスク駆動型3Dアベイランスグラウンドは,自然言語命令で指定された動作を可能にする散在する3Dシーンにおいて,機能領域をローカライズすることを目的としている。本稿では,ThinkAffordについて紹介する。
論文参考訳（メタデータ） (2026-08-11T14:36:16Z)
Contrastive Language-Colored Pointmap Pretraining for Unified 3D Scene Understanding [20.492325896478555]
マルチビュー色付きポイントマップからシーンの統一表現を学習するトランスフォーマーベースのエンコーダUniScene3Dを提案する。ロバストな色付きポイントマップ表現学習には、新しいクロスビュー幾何アライメントと接地されたビューアライメントを導入する。これらの結果は,統一的な3次元シーン理解のためのアプローチの有効性を浮き彫りにした。
論文参考訳（メタデータ） (2026-04-02T21:54:43Z)
Do 3D Large Language Models Really Understand 3D Spatial Relationships? [80.64317885117704]
3次元大言語モデルは3次元世界、特に物体間の空間的関係を理解していると主張している。テキストのみの質問応答ペア上での言語モデルの微調整は、3D入力を使わずにSQA3Dベンチマークでこれらの手法を相容・超越することができる。本稿では,より厳密な評価ベンチマークであるReal-3DQAを紹介する。
論文参考訳（メタデータ） (2026-03-06T16:04:34Z)
3D-DRES: Detailed 3D Referring Expression Segmentation [53.88273255459736]
本稿では,3Dインスタンスマッピングのフレーズを提供する新しいタスクであるDetailed 3D Referring Expression (3D-DRES)を紹介する。 11,054個の異なるオブジェクトにまたがる54,432個の記述を含む新しいデータセットであるDetailReferを提案する。実験の結果,DetailReferで訓練したモデルはフレーズレベルのセグメンテーションに優れ,従来の3D-RESベンチマークでは驚くべき改善が見られた。
論文参考訳（メタデータ） (2026-03-03T11:45:54Z)
Error-Driven Scene Editing for 3D Grounding in Large Language Models [71.41120775319088]
近年の3D-LLMの進歩にもかかわらず、3D環境における視覚的および空間的要素に正確に接地する言語に限られている。この制限は、3Dリソースの不足による空間的理解よりも、言語推論に焦点を当てたトレーニングデータに起因している。本稿では,これらのバイアスを緩和する正確な視覚的カウンターファクトを生成するための重要なメカニズムとして,3Dシーン編集を提案する。
論文参考訳（メタデータ） (2025-11-18T03:13:29Z)
PlaceIt3D: Language-Guided Object Placement in Real 3D Scenes [45.79699025523549]
実写3Dシーンにおける言語誘導オブジェクト配置の新たな課題について紹介する。グラウンド化などの3次元シーンにおける他の言語誘導型ローカライズタスクと比較して、このタスクには特定の課題がある。複数の有効な解を持ち、3次元幾何学的関係と自由空間の推論を必要とするため、曖昧である。
論文参考訳（メタデータ） (2025-05-08T14:29:11Z)
Learning 3D Scene Analogies with Neural Contextual Scene Maps [17.545689536966265]
3Dシーンの類似は、空間的関係を整列する3Dシーン領域間の滑らかなマップである。本稿では,意味的および幾何学的文脈を要約した記述体フィールドを抽出する,ニューラルネットワークによるシーンマップを提案する。様々な屋内シーンにおけるシーンの類似点の同定と軌跡の伝達におけるアプローチの有効性を実験により実証した。
論文参考訳（メタデータ） (2025-03-20T06:49:33Z)
REALY: Rethinking the Evaluation of 3D Face Reconstruction [29.138109054242214]
本稿では,新しいベンチマークREALYによる新しい評価手法を提案する。提案手法は, 領域的な形状アライメントを実現し, より正確な双方向対応を実現する。私たちはREALY、HIFI3D++、そして新しい評価パイプラインをhttps://realy3dface.com.comでリリースします。
論文参考訳（メタデータ） (2022-03-18T04:04:45Z)
Human-Aware Object Placement for Visual Environment Reconstruction [63.14733166375534]
我々は,モノクラーRGBビデオからシーンの3次元再構成を改善するために,人間とシーンのインタラクションを活用することができることを示す。私たちのキーとなるアイデアは、人がシーンを移動してそれと対話するにつれて、複数の入力イメージにまたがってHSIを蓄積する、ということです。シーン再構成は,初期3次元の人物のポーズと形状推定の精度向上に有効であることを示す。
論文参考訳（メタデータ） (2022-03-07T18:59:02Z)
Lepard: Learning partial point cloud matching in rigid and deformable scenes [73.45277809052928]
Lepardは、厳格で変形可能なシーンのための部分点クラウドマッチングのための学習ベースのアプローチである。厳密な点のクラウドマッチングのために、Lepardは3DMatch / 3DLoMatchベンチマークに93.6% / 69.0%の登録リコールを新たに設定した。変形可能な場合、Lepardは、新たに構築した4DMatch / 4DLoMatchベンチマークの以前の技術よりも、+27.1% / +34.8%高い非厳密な特徴マッチングリコールを達成した。
論文参考訳（メタデータ） (2021-11-24T16:09:29Z)

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。