論文の概要: MSSP: Multi-Scale Spatially-Constrained Partition for Unsupervised Semantic Segmentation of 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2609.06959v1
• Date: Mon, 07 Sep 2026 02:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.342254
• Title: MSSP: Multi-Scale Spatially-Constrained Partition for Unsupervised Semantic Segmentation of 3D Point Clouds
• Title（参考訳）: MSSP:3次元点雲の教師なしセマンティックセマンティックセグメンテーションのためのマルチスケール空間制約分割
• Abstract要約: 3Dポイントクラウドセマンティックセグメンテーションは実世界の空間的理解に不可欠である。 既存のスーパーポイント法は、通常は一定の粒度のスペクトル解析に依存する。 本稿では,マルチスケールスペクトル分析と空間制約クラスタリングを組み合わせたマルチスケール空間制約分割フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 17.03940453636302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point cloud semantic segmentation is essential for real-world spatial understanding, yet the prohibitive cost of human annotations motivates unsupervised approaches that require no labels. Existing superpoint-based methods typically rely on spectral analysis at a fixed granularity, failing to capture the hierarchical semantic structures inherent in complex indoor scenes. To bridge this gap, we present a Multi-Scale Spatially-Constrained Partition (MSSP) framework that combines multi-scale spectral analysis with spatially-constrained clustering. Multi-scale spectral analysis constructs enriched superpoint descriptors across multiple clustering granularities; however, the resulting high-dimensional feature space calls for a structural prior to translate into cleaner segmentation. Spatially-constrained clustering supplies this prior by restricting superpoint merging to physically adjacent regions, imposing the spatial coherence needed for multi-scale features to be effective. Extensive experiments on S3DIS and ScanNet show that MSSP achieves the best mIoU among unsupervised methods on the main benchmarks, with particularly significant gains on S3DIS. Notably, our ablation reveals a regularize-then-enrich interaction: multi-scale features alone do not improve final segmentation, yet become highly effective when coupled with spatial regularization, underscoring that spatial coherence is aprerequisite for multi-scale representations in superpoint clustering.
• Abstract（参考訳）: 3Dポイントクラウドセマンティックセグメンテーションは、実世界の空間的理解には不可欠であるが、人間のアノテーションの禁止コストは、ラベルを必要としない教師なしアプローチを動機付けている。 既存のスーパーポイントベースの手法は、通常、固定された粒度のスペクトル分析に依存しており、複雑な屋内のシーンに固有の階層的な意味構造を捉えていない。 このギャップを埋めるために,マルチスケールのスペクトル分析と空間制約クラスタリングを組み合わせたマルチスケール空間制約分割(MSSP)フレームワークを提案する。 マルチスケールスペクトル分析は、複数のクラスタリング粒度にまたがる豊富なスーパーポイント記述子を構成するが、結果として得られる高次元特徴空間は、よりクリーンなセグメンテーションに変換される前に構造体を要求する。 空間的に制約されたクラスタリングは、物理的に隣接した領域にスーパーポイントのマージを制限し、マルチスケールの特徴に必要とされる空間的コヒーレンスを効果的に付与することで、この先を行く。 S3DIS と ScanNet の大規模な実験により、MSSP は主要なベンチマークにおける教師なし手法の中で最高の mIoU を達成し、特に S3DIS において顕著に向上した。 マルチスケール特徴だけでは最終的なセグメンテーションは改善しないが、空間的正則化と組み合わせることで、空間的コヒーレンスがスーパーポイントクラスタリングにおけるマルチスケール表現に必須であることを示す。

関連論文リスト

• Hierarchical Spatial and Channel Aggregation for Cross-domain Few-shot Segmentation [8.277992670183004]
  クロスドメインFew-shot (CD-FSS) は、ソースドメインの豊富な注釈付きサンプルから一般化可能なセグメンテーション能力を学ぶことを目的としている。 提案手法は,4つのターゲット・ドメイン・データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-06-23T08:18:53Z)
• 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)
• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• IGroupSS-Mamba: Interval Group Spatial-Spectral Mamba for Hyperspectral Image Classification [13.534632557010005]
  本稿では,HSI分類のための軽量なインターバル群空間スペクトルマンバフレームワーク(IGroupSS-Mamba)について検討する。 IGroupSS-Mambaは、グループ化と階層化により、多方向及びマルチスケールの空間スペクトル情報抽出を可能にする。 実験により、IGroupSS-Mambaは最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-07T14:55:50Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor Space for Multi-view Clustering [0.0]
  マルチビュークラスタリングのための低ランクテンソル空間における超ラプラシア正規化概念分解(HLRCF)を提案する。 具体的には、各ビューの潜在クラスタ単位の表現を探索するために、概念因子化を採用します。 異なるテンソル特異値が構造情報と不等値とを関連付けることを考慮し、自己重み付きテンソルSchatten p-ノルムを開発する。
  論文  参考訳（メタデータ） (2023-04-22T15:46:58Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Sparse Cross-scale Attention Network for Efficient LiDAR Panoptic Segmentation [12.61753274984776]
  マルチスケールのスパース機能とグローバルなボクセル符号化されたアテンションを整合させて、インスタンスコンテキストの長距離関係をキャプチャする、新しいスパース・クロススケールアテンション・ネットワークであるSCANを提案する。 表面凝集点に対して、SCANは、整列した特徴の空間性を維持するだけでなく、スパース畳み込みによってネットワークの量を減少させる、新しいスパースクラス非依存のインスタンスセントロイド表現を採用する。
  論文  参考訳（メタデータ） (2022-01-16T05:34:54Z)
• Hyperspectral Image Segmentation based on Graph Processing over Multilayer Networks [51.15952040322895]
  ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。 M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。 HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T23:28:18Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)

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。