論文の概要: Joint-Embedding Prediction of Masked Point Tubes for Self-Supervised Learning on 4D Point Cloud Videos

• arxiv url: http://arxiv.org/abs/2608.24093v1
• Date: Tue, 25 Aug 2026 05:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.823318
• Title: Joint-Embedding Prediction of Masked Point Tubes for Self-Supervised Learning on 4D Point Cloud Videos
• Title（参考訳）: 4次元点雲映像における自己教師付き学習のための仮設点管の共同埋め込み予測
• Abstract要約: 本稿では、教師なしの点雲から潜時予測を通じて学習するJEPAスタイルのフレームワークを提案する。 学習した表現は、下流のファインレベルアノテーション、限定レベルのアノテーション、およびデータセット間の転送を改善する。 これらの結果は,JEPAスタイルの予測が,4Dポイントクラウドビデオの再構成中心の事前トレーニングの代替となることを示唆している。
• 参考スコア（独自算出の注目度）: 8.592776018057192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised representation learning for 4D point cloud videos is challenging because annotations are costly and reconstruction-based pretraining can overemphasize low-level geometric details. We propose a JEPA-style framework that learns from unlabeled spatiotemporal point clouds through latent point-tube prediction. Instead of reconstructing raw coordinates, the model masks spatiotemporal regions and predicts their target representations from visible context representations in feature space. To stabilize latent prediction, we incorporate Sketched Isotropic Gaussian Regularization, which encourages non-collapsed embeddings without relying on explicit reconstruction targets. This formulation aims to capture both spatial structure and temporal dynamics while keeping the pretraining objective aligned with downstream semantic recognition. Experiments on action and gesture recognition benchmarks show that the learned representations improve downstream fine-tuning, limited-label learning, and cross-dataset transfer. These results suggest that JEPA-style latent prediction is a promising alternative to reconstruction-centered pretraining for 4D point cloud videos.
• Abstract（参考訳）: 4Dポイントのクラウドビデオのための自己教師付き表現学習は、アノテーションが高価であり、再構成ベースの事前学習が低レベルの幾何学的詳細を過度に強調できるため、難しい。 本稿では,未ラベルの時空間雲から潜時点管予測を通じて学習するJEPAスタイルのフレームワークを提案する。 モデルでは、生の座標を再構築する代わりに、時空間をマスクし、特徴空間内の可視的コンテキスト表現から対象の表現を予測する。 スケッチド等方性正規化(Sketched Isotropic Gaussian Regularization)を導入し,非崩壊埋め込みを明示的な再構築対象に頼らずに促進する。 この定式化は、下流のセマンティック認識と一致した事前学習目標を維持しながら、空間的構造と時間的ダイナミクスの両方を捉えることを目的としている。 動作およびジェスチャー認識ベンチマークの実験では、学習された表現が下流の微調整、限定ラベル学習、データセット間の転送を改善することが示されている。 これらの結果は、JEPAスタイルの潜伏予測が、4Dポイントクラウドビデオの再構成中心の事前トレーニングの代替となることを示唆している。

関連論文リスト

• DynaTok: Token-Based 4D Reconstruction from Partial Point Clouds [86.5916611076068]
  DynaTokは、画像のない部分点列からの対応のない4D再構成のための点ベースフレームワークである。 フローマッチングデコーダは、完全な時間的に一貫した4次元の点時間観測を再構成する。
  論文  参考訳（メタデータ） (2026-06-10T15:13:14Z)
• Momentum-Guided Semantic Forecasting (MoFore) for Self-Supervised Video Representation Learning [0.0]
  自己教師型ビデオ表現学習のためのMomentum-Guided Semantic Forecastingフレームワークを提案する。 このフレームワークは、トレーニング中にアクションラベルを使わずに、時間的に一貫性があり、意味的に意味のあるビデオ表現を学習する。
  論文  参考訳（メタデータ） (2026-06-08T17:50:01Z)
• Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
  PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。 PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-26T08:31:06Z)
• Motion2VecSets: 4D Latent Vector Set Diffusion for Non-rigid Shape Reconstruction and Tracking [52.393359791978035]
  Motion2VecSetsは点雲列からの動的表面再構成のための4次元拡散モデルである。 グローバルな潜在符号の代わりに、潜在集合で4Dダイナミクスをパラメータ化する。 時間的コヒーレントな物体追跡のために、変形潜在集合を同期的に認知し、複数のフレーム間で情報を交換する。
  論文  参考訳（メタデータ） (2024-01-12T15:05:08Z)
• Point Contrastive Prediction with Semantic Clustering for Self-Supervised Learning on Point Cloud Videos [71.20376514273367]
  本稿では,オブジェクト中心およびシーン中心のデータを対象とした一元的クラウドビデオ自己教師型学習フレームワークを提案する。 本手法は、広範囲の下流タスクにおいて教師付きタスクよりも優れる。
  論文  参考訳（メタデータ） (2023-08-18T02:17:47Z)
• Masked Spatio-Temporal Structure Prediction for Self-supervised Learning on Point Cloud Videos [75.9251839023226]
  人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。 MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。 第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
  論文  参考訳（メタデータ） (2023-08-18T02:12:54Z)
• Contrastive Predictive Autoencoders for Dynamic Point Cloud Self-Supervised Learning [26.773995001469505]
  我々は、より包括的な表現を協調的に学習するために、ポイントクラウドシーケンスに基づくコントラスト予測と再構成(CPR)を設計する。 我々は4点のクラウドシークエンスベンチマークで実験を行い、その結果を複数の実験環境下で報告する。
  論文  参考訳（メタデータ） (2023-05-22T12:09:51Z)
• GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
  幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。 我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。 私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
  論文  参考訳（メタデータ） (2023-05-15T17:14:55Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
  本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。 本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-06T17:58:48Z)

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。