論文の概要: Where to Look Matters: Learning Influential Views for VLM-based 3D Visual Grounding

• arxiv url: http://arxiv.org/abs/2609.04741v1
• Date: Fri, 04 Sep 2026 05:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.917924
• Title: Where to Look Matters: Learning Influential Views for VLM-based 3D Visual Grounding
• Title（参考訳）: VLMをベースとした3次元視覚グラウンドのためのインフルエンタリな視点の学習
• Abstract要約: IVSは、VLMベースの3DビジュアルグラウンドのためのInfluential View Selectionを学習するフレームワークである。 IVSは既存のゼロショットパイプラインよりも基底精度を一貫して向上することを示す。
• 参考スコア（独自算出の注目度）: 20.234831906157154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent zero-shot 3D visual grounding methods leverage vision-language models (VLMs) to localize objects in 3D scenes from natural language queries. However, these methods typically rely on heuristic rules to select which camera views are provided to the VLM, often prioritizing object visibility rather than grounding relevance. We present IVSGround, a framework that learns Influential View Selection for VLM-based 3D visual grounding. Instead of using fixed heuristics, a lightweight view selector is trained to identify views that provide discriminative evidence for grounding. To obtain supervision signals, we generate training signals using feedback from a reasoning VLM through a two-stage rejection sampling process. During inference, the learned selector predicts query-conditioned influential views for each candidate object, which are then evaluated by a frozen reasoning VLM through comparative grounding. Experiments on ScanRefer and NR3D show that IVSGround consistently improves grounding accuracy over existing zero-shot pipelines, demonstrating that selecting where to look is crucial for effective 3D visual grounding. Project page: https://ivsground.github.io/
• Abstract（参考訳）: 最近のゼロショット3Dビジュアルグラウンド法は、視覚言語モデル(VLM)を利用して、自然言語クエリからオブジェクトを3Dシーンにローカライズする。 しかしながら、これらの手法は一般的に、VLMにどのカメラビューが提供されるかを選択するためのヒューリスティックなルールに依存しており、多くの場合、関連性を根拠にするのではなく、オブジェクトの可視性を優先する。 本稿では,VLMに基づく3次元視覚グラウンドのためのインフルエンシャルビュー選択学習フレームワークであるIVSGroundを紹介する。 固定ヒューリスティックスを使う代わりに、ライトウェイトビューセレクタは、接地に関する差別的な証拠を提供するビューを特定するために訓練される。 教師信号を得るためには,2段階の拒絶サンプリングプロセスを通じて推論VLMからのフィードバックを用いてトレーニング信号を生成する。 推論中、学習したセレクタは、各候補オブジェクトに対するクエリ条件付き影響力のあるビューを予測し、比較基底による凍結推論VLMによって評価される。 ScanReferとNR3Dの実験では、IVSGroundは既存のゼロショットパイプラインのグラウンド化精度を一貫して改善し、効果的に3D視覚的なグラウンド化を行う上で、どこに見えるかを選択することが重要であることを示した。 プロジェクトページ: https://ivsground.github.io/

関連論文リスト

• Training-Free Open-Vocabulary Visual Grounding for Remote Sensing Images and Videos [52.516842108549135]
  リモートセンシングビジュアルグラウンドティングは、自然言語表現に従って、参照対象をリモートセンシング画像やビデオにローカライズすることを目的としている。 既存のRSVGメソッドは通常、タスク固有の手動アノテーションに依存しており、実際の地理空間シナリオの多様性をカバーするのにコストがかかり、必然的に制限される。 RSVGZeroOV は,ゼロショットオープン語彙 RSVG のフリージェネリック基盤モデルを利用する学習自由フレームワークである。
  論文  参考訳（メタデータ） (2026-06-15T02:31:32Z)
• Any3D-VLA: Enhancing VLA Robustness via Diverse Point Clouds [57.024495128182195]
  我々は、異なる観測空間と視覚的表現をまたいだパイロット研究を行う。 その結果、視覚的入力を点雲に明示的に持ち上げることで、対応する2次元表現をより補完する表現が得られることがわかった。 本稿では,(1)3次元データの不足,(2)環境横断差と奥行き偏差による領域ギャップの解消という課題に対処するAny3D-VLAを提案する。
  論文  参考訳（メタデータ） (2026-01-31T16:34:52Z)
• View-on-Graph: Zero-shot 3D Visual Grounding via Vision-Language Reasoning on Scene Graphs [19.27758108925572]
  3Dビジュアルグラウンドは、言語記述から3Dシーン内のオブジェクトを識別する。 既存のゼロショットアプローチでは、3次元空間情報(SI)をVLM処理に変換することで2次元視覚言語モデル(VLM)を利用する。 本稿では,新たなVLM x SIパラダイムを提案する。このパラダイムは3D SIを外部化することで,VLMが推論時に必要なもののみを段階的に取り出すことを可能にする。
  論文  参考訳（メタデータ） (2025-12-10T00:59:17Z)
• iFinder: Structured Zero-Shot Vision-Based LLM Grounding for Dash-Cam Video Reasoning [51.15353027471834]
  iFinderは、ダッシュカムのビデオを大規模な言語モデルのための階層的で解釈可能なデータ構造に変換するセマンティックグラウンドディングフレームワークである。 iFinderはトレーニング不要のパイプラインとして動作し、トレーニング済みの視覚モデルを使用して重要な手がかりを抽出する。 これは、4つのゼロショット駆動ベンチマークにおいて、エンドツーエンドのV-VLMよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-09-23T20:25:53Z)
• SeqVLM: Proposal-Guided Multi-View Sequences Reasoning via VLM for Zero-Shot 3D Visual Grounding [40.60812160987424]
  3Dビジュアルグラウンド(3DVG)は、自然言語による3Dシーンのオブジェクトのローカライズを目的としている。 対象物推論のための空間情報を備えた多視点実写シーン画像を利用する新しいゼロショット3DVGフレームワークであるSeqVLMを提案する。 ScanRefer と Nr3D のベンチマーク実験では、従来のゼロショット法を4.0%、Nr3D で5.2%上回った。
  論文  参考訳（メタデータ） (2025-08-28T13:15:37Z)
• VLM-Grounder: A VLM Agent for Zero-Shot 3D Visual Grounding [57.04804711488706]
  3Dビジュアルグラウンドティングはロボットにとって不可欠であり、自然言語と3Dシーン理解を統合する必要がある。 VLM-Grounderは視覚言語モデル(VLM)を用いて2次元画像のみに基づくゼロショット3次元視覚グラウンドティングを行う新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-17T17:59:55Z)
• 3D Object Detection with a Self-supervised Lidar Scene Flow Backbone [10.341296683155973]
  本稿では,下流3次元視覚タスクのための汎用クラウドバックボーンモデルを学習するために,自己指導型トレーニング戦略を提案する。 我々の主な貢献は、学習の流れと動きの表現を活用し、自己教師付きバックボーンと3D検出ヘッドを組み合わせることである。 KITTIとnuScenesベンチマークの実験により、提案した自己教師付き事前学習は3次元検出性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-05-02T07:53:29Z)
• Multi-View Transformer for 3D Visual Grounding [64.30493173825234]
  3次元視覚グラウンドリングのためのマルチビュー変換器(MVT)を提案する。 我々は3Dシーンを多視点空間に投影し、異なるビュー下の3Dシーンの位置情報を同時にモデル化して集約する。
  論文  参考訳（メタデータ） (2022-04-05T12:59:43Z)
• PreViTS: Contrastive Pretraining with Video Tracking Supervision [53.73237606312024]
  PreViTSは、同じオブジェクトを含むクリップを選択するための教師なしSSLフレームワークである。 PreViTSはフレーム領域を空間的に制約し、モデルから学習し、意味のあるオブジェクトを見つけるように訓練する。 モーメントコントラスト(MoCo)エンコーダを,PreViTSを用いてVGG-SoundとKinetics-400データセットでトレーニングする。
  論文  参考訳（メタデータ） (2021-12-01T19:49:57Z)

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。