論文の概要: VCAR: Training-Free 3DGS Segmentation via View Completeness and Axis-Aware Boundary Refinement

• arxiv url: http://arxiv.org/abs/2608.30870v1
• Date: Mon, 31 Aug 2026 14:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.445213
• Title: VCAR: Training-Free 3DGS Segmentation via View Completeness and Axis-Aware Boundary Refinement
• Title（参考訳）: VCAR: 完全性と軸アウェア境界の微細化による3DGSのトレーニング不要なセグメンテーション
• Abstract要約: VCARは、View CompletenessとAxis-awareのバウンダリリファインメントに基づく、トレーニング不要の粗大なセグメンテーション戦略である。 VCARは、トレーニングなしで最先端のセグメンテーション精度と効率を達成する。
• 参考スコア（独自算出の注目度）: 14.35890716158584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation in 3D Gaussian Splatting (3DGS) is crucial for advancing 3D scene understanding. Existing methods predominantly rely on feature distillation, which incurs substantial per-scene training overhead and often yields blurred segmentation boundaries. We identify that these boundary artifacts are driven in part by insufficient viewpoint coverage and boundary overflow of anisotropic Gaussian primitives. To address these challenges, we propose VCAR, a training-free coarse-to-fine segmentation strategy based on View Completeness and Axis-aware Boundary Refinement. In the coarse stage, a visibility-based weighted multi-view voting scheme rapidly localizes the target. In the fine stage, an object-centric sphere derived from the coarse result generates supplementary viewpoints via Spherical Spiral Sampling (SSS), allowing multi-view voting on the augmented views to precisely refine object boundaries and suppress irrelevant 3D Gaussians. Moreover, we introduce Axis-aware Boundary Refinement (ABR) to mitigate artifacts from anisotropic primitives. By decomposing the projected 2D covariance into per-axis contributions, ABR identifies the dominant axis responsible for boundary leakage and applies targeted anisotropic compression exclusively along that axis. Extensive experiments on NVOS and LERF demonstrate that VCAR achieves state-of-the-art segmentation accuracy and efficiency without training. Our code is available at https://github.com/DDKK0526/VCAR.
• Abstract（参考訳）: 3次元ガウススプラッティング(3DGS)のセマンティックセグメンテーションは3次元シーン理解の推進に不可欠である。 既存の方法は、主に特徴蒸留に依存しており、それはシーンごとのトレーニングのオーバーヘッドを生じさせ、しばしばぼやけたセグメンテーションの境界を生じる。 これらの境界アーティファクトは、部分的には、異方性ガウス原始体の視線範囲と境界オーバーフローの不足によって駆動される。 これらの課題に対処するため、我々は、ビュー完全性と軸対応境界再分極に基づくトレーニング不要な粗大分極戦略であるVCARを提案する。 粗い段階では、可視性に基づく重み付き多視点投票方式が急速にターゲットをローカライズする。 微細な段階では、粗い結果から導かれる対象中心球は、球状スパイラルサンプリング(SSS)を介して補助的な視点を生成し、拡張ビュー上の多視点投票により、オブジェクト境界を正確に洗練し、無関係な3Dガウスを抑えることができる。 さらに、異方性プリミティブからアーティファクトを緩和するために、ABR(Axis-aware boundary Refinement)を導入する。 投影された2次元共分散を軸あたりの寄与に分解することにより、ABRは境界漏れの原因となる支配軸を特定し、その軸に沿ってターゲット異方性圧縮を適用する。 NVOSとLERFに関する大規模な実験は、VCARが訓練なしで最先端のセグメンテーション精度と効率を達成することを示した。 私たちのコードはhttps://github.com/DDKK0526/VCARで利用可能です。

関連論文リスト

• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• UniC-Lift: Unified 3D Instance Segmentation via Contrastive Learning [6.502142457981839]
  3D Gaussian Splatting (3DGS) と Neural Radiance Fields (NeRF) は、先進的な新規なビュー合成を行っている。 近年の手法では,多視点2Dセグメンテーションを3Dに拡張し,シーン理解を向上するインスタンス/セグメンテーションを実現している。 主な課題は、ビュー間の2Dインスタンスラベルの不整合である。 本稿では,これらのステップをマージし,トレーニング時間を短縮し,ガウスプリミティブにセグメンテーションを組み込む学習可能な機能を導入することにより,パフォーマンスを向上させる統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-31T10:20:01Z)
• Binary-Gaussian: Compact and Progressive Representation for 3D Gaussian Segmentation [83.90109373769614]
  3D Gaussian Splatting (3D-GS)は効率的な3D表現として登場し、セグメンテーションのようなセグメンテーションタスクのための有望な基盤となっている。 本稿では,各特徴を2進数対決定写像によって1つの整数に圧縮する,ガウス単位のカテゴリ表現のための粗大なバイナリ符号化方式を提案する。 さらに,個別のサブタスクに分割し,クラス間の衝突を減らし,きめ細かいセグメンテーション能力を向上させるプログレッシブトレーニング戦略を設計する。
  論文  参考訳（メタデータ） (2025-11-30T15:51:30Z)
• Trace3D: Consistent Segmentation Lifting via Gaussian Instance Tracing [27.24794829116753]
  ガウススプラッティングにおける2次元視覚分割を3次元に引き上げることの課題に対処する。 既存の方法は、視界を横断する不整合な2Dマスクに悩まされ、うるさいセグメンテーション境界を生成する。 本稿では,標準ガウス表現を入力ビュー全体にわたってインスタンス重み行列で拡張するガウスインスタンス追跡(GIT)を紹介する。
  論文  参考訳（メタデータ） (2025-08-05T08:54:17Z)
• COB-GS: Clear Object Boundaries in 3DGS Segmentation Based on Boundary-Adaptive Gaussian Splitting [67.03992455145325]
  3D Gaussian Splatting(3DGS)に基づく3Dセグメンテーションは、オブジェクトの境界を正確に記述するのに苦労する。 セグメンテーション精度の向上を目的とした3DGS(COB-GS)のためのクリアオブジェクト境界を導入する。 意味指導には境界適応型ガウス分割法を導入する。 視覚的最適化のために、3DGSシーンの劣化したテクスチャを補正する。
  論文  参考訳（メタデータ） (2025-03-25T08:31:43Z)
• GradiSeg: Gradient-Guided Gaussian Segmentation with Enhanced 3D Boundary Precision [11.99904956714193]
  シーンのより深いセマンティックな理解を構築するためにアイデンティティーを組み込んだ新しい3DGSベースのフレームワークGradiSegを提案する。 提案手法では,Identity Gradient Guided Densification (IGD)とLocal Adaptive K-Nearest Neighbors (LA-KNN)の2つの重要なモジュールを導入している。 その結果,GradiSは境界問題に効果的に対応し,シーン再構成の品質を損なうことなくセグメンテーション精度を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2024-11-30T08:07:37Z)
• Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
  本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。 3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
  論文  参考訳（メタデータ） (2024-11-19T11:59:54Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)
• PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic Occupancy Prediction [72.75478398447396]
  本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。 また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。 プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
  論文  参考訳（メタデータ） (2023-08-31T17:57:17Z)

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。