論文の概要: OV3D-Bench: A Diagnostic Benchmark for Open-Vocabulary Monocular 3D Detection

• arxiv url: http://arxiv.org/abs/2608.17110v1
• Date: Mon, 17 Aug 2026 20:38:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.127111
• Title: OV3D-Bench: A Diagnostic Benchmark for Open-Vocabulary Monocular 3D Detection
• Title（参考訳）: OV3D-Bench:オープンボキャブラリモノクロ3D検出のための診断ベンチマーク
• Abstract要約: OV3D-Benchは、開語彙単分子3D検出器をデプロイリアルな条件下で比較する診断ベンチマークである。 7つの代表検出器を評価し, (i) 対象をよく局所化するが, しばしば意味的に隣接したカテゴリとして, 正しく局所化されたボックスを誤ラベルする。 我々は、SigLIPv2のような対照的な視覚言語エンコーダを用いて、凍結閉語彙検出器の予測を単に再マッピングするだけで、近年のオープン語彙法と競合することを示した。
• 参考スコア（独自算出の注目度）: 82.26920986339502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-vocabulary monocular 3D detectors report strong in-domain performance, but each evaluates under a different protocol, several rely on per-image category oracles unavailable at deployment, and all collapse geometry and semantics into a single AP metric. To address this, we introduce OV3D-Bench, a diagnostic benchmark that compares open-vocabulary monocular 3D detectors under deployment-realistic conditions across seven indoor and outdoor datasets. Our benchmark replaces the per-image class name oracle with test-time dataset-level class name prompts, and decouples detection accuracy along three axes: localization, semantic robustness, and cross-domain transfer. We evaluate seven representative detectors and find that (i) they localize objects well yet often mislabel a correctly localized box as a semantically adjacent category; (ii) accuracy is highly sensitive to prompt phrasing (e.g. WildDet3D's performance collapses from 18.6 to 5.4 AP when prompted with "a detailed high-resolution photo of a car" rather than "car"); and (iii) the widely adopted target-aware protocol hides these errors (e.g. inflating DetAny3D's AP by 1.9 $\times$ on ScanNet). Lastly, we demonstrate that simply remapping a frozen closed-vocabulary detector's predictions using a contrastive vision-language encoder such as SigLIPv2 performs competitively against recent purpose-built open-vocabulary methods. This indicates that geometric localization is more mature, while open-vocabulary semantics remains the primary bottleneck.
• Abstract（参考訳）: Open-vocabulary monocular 3D detectorsはドメイン内のパフォーマンスを強く報告するが、それぞれ異なるプロトコルで評価し、デプロイ時に利用できないイメージごとのカテゴリのオーク、すべての崩壊幾何学とセマンティクスを単一のAPメトリックに分解する。 この問題を解決するために、OV3D-Benchという診断ベンチマークを導入しました。これは、オープンボキャブラリのモノクラー3D検出器を、屋内と屋外の7つのデータセットのデプロイリアルな条件下で比較するものです。 我々のベンチマークでは、画像単位のクラス名オラクルをテスト時データセットレベルのクラス名プロンプトに置き換え、ローカライゼーション、セマンティックロバストネス、ドメイン間転送の3つの軸に沿って検出精度を分離する。 私たちは7つの代表検出器を評価し、それを見つける。 (i) オブジェクトをよく局所化するが、しばしば意味的に隣接したカテゴリとして正しく局所化されたボックスを誤記する。 例えばWildDet3Dの性能は18.6から5.4 APに低下し、車ではなく「自動車の詳細な高解像度写真」がトリガーされる)。 例えば、DetAny3DのAPをScanNetで1.9$\times$で膨らませるなど)。 最後に、SigLIPv2のような対照的な視覚言語エンコーダを用いて、凍結閉語彙検出器の予測を単に再マッピングするだけで、近年のオープン語彙法と競合することを示す。 これは幾何学的局所化がより成熟していることを示しているが、開語彙意味論は依然として主要なボトルネックである。

関連論文リスト

• SP3D: Boosting Sparsely-Supervised 3D Object Detection via Accurate Cross-Modal Semantic Prompts [13.349110509879312]
  スパース制御された3Dオブジェクト検出は注目され、完全に教師された3Dオブジェクト・オブジェクタに近い性能を実現している。 本研究では,スパースアノテーション設定下での頑健な特徴識別機能を備えた3D検出器の強化を目的とした,SP3Dと呼ばれるブースティング戦略を提案する。 実験により、SP3Dはわずかに観察された検出器の性能を、平均的なラベル付け条件下で大きなマージンで向上させることができることが確認された。
  論文  参考訳（メタデータ） (2025-03-09T06:08:04Z)
• Comprehensive Multi-Modal Prototypes are Simple and Effective Classifiers for Vast-Vocabulary Object Detection [68.26282316080558]
  現在のオープンワールド検出器は、限られたカテゴリーで訓練されているにもかかわらず、より広い範囲の語彙を認識することができる。 本稿では,多語彙オブジェクト検出のためのプロトタイプ分類器Provaを紹介する。
  論文  参考訳（メタデータ） (2024-12-23T18:57:43Z)
• Open Vocabulary Monocular 3D Object Detection [10.424711580213616]
  RGB画像から3次元空間内の物体を検出しローカライズすることを目的とした新しい課題であるオープンボキャブラリモノクロ3Dオブジェクト検出の研究を開拓した。 オープンボキャブラリ2次元検出器を活用して2次元境界ボックスを3次元空間に持ち上げるクラス非依存的手法を提案する。 提案手法は,3次元境界ボックスを推定する作業から2次元の物体の認識と局所化を分離し,未知のカテゴリをまたいだ一般化を可能にする。
  論文  参考訳（メタデータ） (2024-11-25T18:59:17Z)
• DetCLIPv3: Towards Versatile Generative Open-vocabulary Object Detection [111.68263493302499]
  DetCLIPv3は、オープンボキャブラリオブジェクト検出と階層ラベルの両方で優れた高性能検出器である。 DetCLIPv3は,1)Versatileモデルアーキテクチャ,2)高情報密度データ,3)効率的なトレーニング戦略の3つのコア設計によって特徴付けられる。 DetCLIPv3は、GLIPv2, GroundingDINO, DetCLIPv2をそれぞれ18.0/19.6/6 APで上回り、優れたオープン語彙検出性能を示す。
  論文  参考訳（メタデータ） (2024-04-14T11:01:44Z)
• OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
  OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。 コードと事前訓練されたモデルは、後にリリースされる。
  論文  参考訳（メタデータ） (2024-03-28T17:05:04Z)
• MS3D++: Ensemble of Experts for Multi-Source Unsupervised Domain Adaptation in 3D Object Detection [12.005805403222354]
  未知の領域に3D検出器を配置すると、検出率が70-90%低下することが示されている。 我々は,MS3D++を紹介した。MS3D++は3Dオブジェクト検出において,マルチソースな教師なしドメイン適応のための自己学習フレームワークである。 MS3D++は高品質な擬似ラベルを生成し、3D検出器は様々なライダータイプで高い性能を達成できる。
  論文  参考訳（メタデータ） (2023-08-11T07:56:10Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)

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。