論文の概要: VoxelFix: Post-Hoc Semantic Correction of Completed 3D Voxel Maps

• arxiv url: http://arxiv.org/abs/2609.05114v1
• Date: Fri, 04 Sep 2026 13:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.051607
• Title: VoxelFix: Post-Hoc Semantic Correction of Completed 3D Voxel Maps
• Title（参考訳）: VoxelFix:完全な3Dヴォクセルマップのホック後のセマンティック補正
• Abstract要約: Methodは、局所幾何学と意味情報に基づいてボクセルラベルを補正するグラフベースのモデルである。 mIoUを4.23～5.00ポイント改善する。 独立に再構成されたアウト・オブ・ディストリビューション・エアシーンの結果は、学習された補正がトレーニング中に見られる環境を超えて移動できることを示唆している。
• 参考スコア（独自算出の注目度）: 1.8825840324755478
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semantic 3D maps are increasingly constructed automatically for aerial robotics by integrating learned semantic predictions into 3D representations. While this avoids costly manual 3D annotation, errors in the perception and mapping pipeline can persist in the resulting map, reducing its reliability for downstream autonomous tasks. Existing 3D semantic map refinement methods either rely on the original observations, treat occupancy as part of the prediction problem, or apply non-learned local regularization to completed maps. Instead, we study post-hoc semantic correction, asking whether semantic accuracy can be recovered directly from the completed map while keeping its geometry and occupancy fixed. We introduce \method, a graph-based model that corrects voxel labels based on local geometry and neighboring semantic information. To obtain training pairs, we corrupt contiguous regions of annotated OccuFly maps according to class confusions observed in upstream maps. We evaluate \method on completed OccuFly maps generated from predictions of four independently trained 2D segmentation models. \method consistently improves mIoU by 4.23--5.00 percentage points, with gains broadly distributed across the evaluated semantic classes and particularly strong improvements for tree, roof, and wall. Results on an independently reconstructed out-of-distribution aerial scene further suggest that the learned correction can transfer beyond the environments seen during training.
• Abstract（参考訳）: セマンティックな3Dマップは、学習されたセマンティックな予測を3D表現に組み込むことで、航空ロボティクスのために自動的に構築されるようになっている。 これにより、手作業による3Dアノテーションは回避されるが、知覚とマッピングパイプラインのエラーは結果のマップに持続し、下流の自律的なタスクに対する信頼性が低下する。 既存の3Dセマンティックマップの改良手法は、元の観測に依存するか、予測問題の一部として占有性を扱うか、あるいは未学習の局所正規化を完成地図に適用するかのいずれかである。 そこで,本研究では,地図から意味的精度を直接回収できるかどうかを問うとともに,その幾何学的・占有性を保ちながら検討する。 本稿では,局所幾何学と隣接する意味情報に基づいてボクセルラベルを補正するグラフベースモデルであるShamethodを紹介する。 トレーニングペアを得るため,上流マップで見られるクラス混乱に応じて,注釈付きOccuFlyマップの連続領域を破損させた。 独立に訓練された4つの2次元セグメンテーションモデルの予測から生成されたOccuFlyマップ上での‘method’を評価する。 \methodは、mIoUを4.23～5.00ポイント改善し、評価されたセマンティッククラスに広範に分散し、特に木、屋根、壁の強力な改善を行う。 独立に再構成されたアウト・オブ・ディストリビューションの航空シーンの結果は、学習された補正がトレーニング中に見られる環境を超えて移動できることをさらに示唆している。

関連論文リスト

• Revisiting Cross-View Completion: Self-Supervised Pre-Training via Reconstruction Error Comparison [25.854113650180736]
  クロスビューコンプリートによる自己教師付き事前学習は、画像ペアの可視領域から3Dビジョンの強力な特徴を学習する。 我々は、この制限を有用な信号に変換するGekkoを紹介する。 Gekkoは、スクラッチからトレーニングされたネットワークで、クロスビュー補完、マスク付きオートエンコーディング、ピクセルごとの予測を共同で実行する。
  論文  参考訳（メタデータ） (2026-09-01T16:57:46Z)
• DualPM: Dual Posed-Canonical Point Maps for 3D Shape and Pose Reconstruction [67.13370009386635]
  そこで,Dual Point Map (DualPM)を導入し,同じ画像一点関連画素からオブジェクト上の3D位置へ,残りのポーズでオブジェクトの標準バージョンへ,一対の点マップを抽出する。 3次元再構成と3次元ポーズ推定はDualPMの予測に還元できることを示す。
  論文  参考訳（メタデータ） (2024-12-05T18:59:48Z)
• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Map-aided annotation for pole base detection [0.0]
  本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。 高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。 ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
  論文  参考訳（メタデータ） (2024-03-04T09:23:11Z)
• Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
  非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。 マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。 提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
  論文  参考訳（メタデータ） (2023-09-26T08:03:10Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth Sampling [75.957103837167]
  1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。 既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
  論文  参考訳（メタデータ） (2022-08-14T16:37:51Z)
• Adjusting the Ground Truth Annotations for Connectivity-Based Learning to Delineate [69.74821030699638]
  本稿では,アノテーションの不正確さを明示的に説明する手法を提案する。 アノテーションは、トポロジを保ちながら自分自身を変形させることができるアクティブな輪郭モデルとして扱う。 これにより、ネットワークを共同でトレーニングし、元のアノテーションの潜在的なエラーを修正することができます。
  論文  参考訳（メタデータ） (2021-12-06T04:34:18Z)
• Dynamic Semantic Occupancy Mapping using 3D Scene Flow and Closed-Form Bayesian Inference [3.0389083199673337]
  深層学習を用いた最新技術セマンティックセマンティックセグメンテーションと3次元フロー推定を利用して,マップ推論の計測を行う。 連続的な(すなわち任意の解像度でクエリできる)ベイズモデルを開発し、フローでシーンを伝播し、静的なモデルよりも優れた性能で3次元意味的占有マップを推論する。
  論文  参考訳（メタデータ） (2021-08-06T15:51:40Z)

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。