論文の概要: AQ3D: Adaptive Query Transformer for 3D Instance Segmentation
- arxiv url: http://arxiv.org/abs/2608.30618v1
- Date: Mon, 31 Aug 2026 11:27:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.362941
- Title: AQ3D: Adaptive Query Transformer for 3D Instance Segmentation
- Title（参考訳）: AQ3D: 3Dインスタンスセグメンテーションのためのアダプティブクエリ変換器
- Abstract要約: 3Dインスタンスセグメンテーションのためのトランスフォーマーベースのデコーダは通常、一定数のクエリと位置モデリングにコミットする。
トレーニングや推論において,様々なサイズのシーンを扱うように設計されたAQ3Dを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transformer-based decoders for 3D instance segmentation typically commit to a fixed number of queries and positional modeling calibrated on the training distribution rather than on the scene at hand. Indoor scans vary widely in spatial extent and object count, so a fixed query set over-initializes small scenes and under-initializes large ones, while learned absolute and relative encodings are bound to the training scenes' extents and can saturate. We present AQ3D, which is designed to handle scenes of various sizes during training and inference. Queries are instantiated at a fixed ratio of the scene's superpoints, forming an overcomplete set whose background rejection is entirely left to the decoder. Positional information is encoded using 3D RoPE over quantized metric coordinates, replacing learned bounded lookup tables of prior decoders. Further, we improve the decoder itself by using attribution-based superpoint pooling, a mask refinement branch, and a cosine classifier for background rejection. Experiments show our method sets a new state-of-the-art on validation and hidden test splits across the datasets ScanNetV2, ScanNet200, and ScanNet++V2 among decoder methods trained without additional data augmentation. Code is available at \href{https://github.com/kenomo/aq3d}{github.com/kenomo/aq3d}.
- Abstract（参考訳）: 3Dインスタンスセグメンテーションのためのトランスフォーマーベースのデコーダは、通常、手前のシーンではなく、トレーニング分布に基づいて調整された定数のクエリと位置モデリングにコミットする。
室内スキャンは空間的範囲や対象数によって大きく異なるため、固定されたクエリセットは小さなシーンを過度に初期化し、大きなシーンを過度に初期化する。
トレーニングや推論において,様々なサイズのシーンを扱うように設計されたAQ3Dを提案する。
クエリはシーンのスーパーポイントの固定比率でインスタンス化され、背景の拒絶を完全にデコーダに残したオーバーコンプリートセットを形成する。
位置情報は、量子化されたメートル法座標上の3D RoPEを用いて符号化され、先行デコーダの学習された境界付きルックアップテーブルを置き換える。
さらに、帰属型スーパーポイントプーリング、マスクリファインメントブランチ、背景拒絶のためのコサイン分類器を用いてデコーダ自体を改善する。
ScanNetV2、ScanNet200、ScanNet++V2は、追加のデータ拡張なしにトレーニングされたデコーダメソッドである。
コードは \href{https://github.com/kenomo/aq3d}{github.com/kenomo/aq3d} で公開されている。
関連論文リスト
- TERDNet: Transformer Encoder-Recurrent Decoder Network for Scene Change Detection [4.039245878626346]
SCD(Scene Change Detection)は、異なる時間に撮影された同じ位置の2つの画像の違いを特定することを目的としている。
既存のSCDモデルは、レイヤ間の機能の重要性の相違を見落とし、精細化を抑えるシングルステップデコーダを採用し、エンコーダの事前訓練戦略に関する限られた洞察を提供する。
本稿では,これらの制限を克服するために,トランスフォーマー・リカレントデコーダネットワークであるTERDNetを提案する。
論文 参考訳（メタデータ） (2026-05-20T07:18:24Z) - SigVLP: Sigmoid Volume-Language Pre-Training for Self-Supervised CT-Volume Adaptive Representation Learning [13.428693608916419]
我々は新しい視覚言語モデル、Sig Volumetricを導入する。
Sigボリュームでは、位置符号化法としてロータリー位置埋め込みを実装し、入力条件の正弦と正弦の重みをハエに生成する。
我々のモデルはミューオンを用いて訓練され、ゼロショット異常や臓器分類、セグメンテーション、検索タスクを含む様々な下流タスクに基づいて評価される。
論文 参考訳（メタデータ） (2026-02-25T09:44:27Z) - PatchAlign3D: Local Feature Alignment for Dense 3D Shape understanding [67.15800065888887]
現在の3次元形状の基礎モデルは、グローバルなタスク(検索、分類)において優れているが、局所的な部分レベルの推論には不十分である。
本稿では,ポイントクラウドから直接,言語対応のパッチレベル機能を生成するエンコーダのみの3Dモデルを提案する。
我々の3Dエンコーダは、テストタイムのマルチビューレンダリングなしで高速なシングルパス推論によるゼロショット3D部分分割を実現する。
論文 参考訳（メタデータ） (2026-01-05T18:55:45Z) - SGIFormer: Semantic-guided and Geometric-enhanced Interleaving Transformer for 3D Instance Segmentation [14.214197948110115]
本稿では,SGIFormerという3次元インスタンスセグメンテーションのための新しい手法を提案する。
Semantic-Guided Mix Query (SMQ)とGeometric-enhanced Interleaving Transformer (GIT)デコーダで構成されている。
ScanNet V2、ScanNet200、そして挑戦的な高忠実度ScanNet++ベンチマークで最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-07-16T10:17:28Z) - Pixel-Aligned Recurrent Queries for Multi-View 3D Object Detection [16.677107631803327]
PARQはマルチビューの3Dオブジェクト検出器で、トランスフォーマーとピクセルアラインなリカレントクエリを備えている。
再トレーニングせずに追加のインプットビューを利用することができ、反復回数を変更することで推論計算を適用することができる。
論文 参考訳（メタデータ） (2023-10-02T17:58:51Z) - Mask-Attention-Free Transformer for 3D Instance Segmentation [68.29828726317723]
トランスフォーマーベースの手法は、マスクの注意が一般的に関与する3Dインスタンスセグメンテーションを支配している。
我々は、低リコール問題を克服し、位置対応を前提としたクロスアテンションを実現するために、一連の位置認識設計を開発する。
実験の結果,既存の作業よりも4倍早く収束し,ScanNetv2 3Dインスタンスセグメンテーションベンチマークに新たな技術状態を設定し,さまざまなデータセットで優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-09-04T16:09:28Z) - V-DETR: DETR with Vertex Relative Position Encoding for 3D Object
Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。
限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。
挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文 参考訳（メタデータ） (2023-08-08T17:14:14Z) - CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。
我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。
3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
論文 参考訳（メタデータ） (2022-09-13T05:26:09Z) - Point-M2AE: Multi-scale Masked Autoencoders for Hierarchical Point Cloud
Pre-training [56.81809311892475]
Masked Autoencoders (MAE) は、言語と2次元画像変換器の自己教師付き事前学習において大きな可能性を示している。
我々は3次元点雲の階層的自己教師型学習のための強力なマルチスケールMAE事前学習フレームワークであるPoint-M2AEを提案する。
論文 参考訳（メタデータ） (2022-05-28T11:22:53Z) - Implicit Autoencoder for Point-Cloud Self-Supervised Representation
Learning [39.521374237630766]
最もポピュラーでアクセスしやすい3D表現、すなわち点雲は、下層の連続した3D表面の離散的なサンプルを含む。
この離散化プロセスは3次元形状のサンプリングのバリエーションを導入し、真の3次元幾何学の伝達可能な知識を開発するのが困難になる。
標準的なオートエンコーディングパラダイムでは、エンコーダは3D形状だけでなく、3D形状の特定の離散サンプリングに関する情報を潜在コードにエンコードする。
これは、デコーダによって再構成された点雲が、原点と再構成された点との完全なマッピングがない限り、受け入れられないためである。
論文 参考訳（メタデータ） (2022-01-03T18:05:52Z) - Temporal-Channel Transformer for 3D Lidar-Based Video Object Detection
in Autonomous Driving [121.44554957537613]
我々は,リダデータから映像オブジェクトを検出するための時空間領域とチャネル領域の関係をモデル化する,テンポラル・チャネル変換器(Temporal-Channel Transformer)を提案する。
具体的には、トランスの時間チャネルエンコーダは、異なるチャネルやフレームの情報をエンコードするように設計されている。
我々は, nuScenesベンチマークを用いて, 格子ボクセルを用いた3次元物体検出における最先端性能を実現する。
論文 参考訳（メタデータ） (2020-11-27T09:35:39Z)
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。