Fugu-MT 論文翻訳(概要): Zero-Shot 3D Plant Organ Segmentation with SAM3 and Semantic NeRFs

論文の概要: Zero-Shot 3D Plant Organ Segmentation with SAM3 and Semantic NeRFs

arxiv url: http://arxiv.org/abs/2609.07724v1
Date: Mon, 07 Sep 2026 16:35:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 21:12:19.644059
Title: Zero-Shot 3D Plant Organ Segmentation with SAM3 and Semantic NeRFs
Title（参考訳）: SAM3とSemantic NeRFを用いたゼロショット3次元植物器官分離
Abstract要約: 私たちのパイプラインは、手動のアノテーション、種ごとの微調整、ドメイン固有の前処理なしで、セマンティックにラベル付けされた3Dポイントクラウドを生成します。コントロールされたベゴニア・マキュラタでSAM3パイプラインが92.6%のmIoUを達成した。
参考スコア（独自算出の注目度）: 0.9176056742068813
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate 3D plant organ segmentation is fundamental to automated phenotyping. Existing approaches rely on annotated training data or species-specific model configurations. We present an annotation-free pipeline for 3D plant organ segmentation, combining text-prompted SAM3 segmentation with semantic neural radiance fields (NeRFs). Given only multi-view RGB images and a list of class names, our zero-shot pipeline produces semantically labeled 3D point clouds without manual annotation, per-species fine-tuning, or domain-specific preprocessing. Multi-view NeRF fusion acts as effective implicit consensus mechanism that lifts imperfect per-frame masks into accurate 3D labels. On a controlled Begonia maculata testbed the SAM3 pipeline achieves 92.6% mIoU, reaching 95.9% of the oracle upper bound established with perfect ground-truth masks. The pipeline was further evaluated on a new dataset spanning ten diverse plant point clouds reaching an average 0.856 mIoU, with leaf and pot IoU above 0.91 and 0.90 for every species, respectively. These results demonstrate that annotation-free 3D plant organ segmentation is now feasible and approaching the range of supervised methods.
Abstract（参考訳）: 正確な3D植物器官のセグメンテーションは、自動表現法の基本である。既存のアプローチは、注釈付きトレーニングデータや種固有のモデル構成に依存している。我々は,3次元植物器官のセグメンテーションのためのアノテーションのないパイプラインを提案し,テキストプロンプトSAM3セグメンテーションと意味神経放射場(NeRF)を組み合わせた。マルチビューRGBイメージとクラス名のリストのみを前提として、ゼロショットパイプラインは手動のアノテーションや種ごとの微調整、ドメイン固有の前処理なしで意味的にラベル付けされた3Dポイントクラウドを生成します。マルチビューNeRF融合は、フレームごとの不完全なマスクを正確な3Dラベルに持ち上げる効果的な暗黙のコンセンサスメカニズムとして機能する。コントロールされたベゴニア・マキュラタでSAM3パイプラインが92.6%のmIoUを達成した。このパイプラインは、各種に対して平均0.856 mIoUに達する10種類の植物点雲にまたがる新しいデータセットで、それぞれ0.91以上、0.90以上と評価された。これらの結果から, アノテーションを伴わない3次元植物器官のセグメンテーションが実現可能であり, 教師付き手法の範囲に近づいたことが示唆された。

関連論文リスト

Native space based pipelines outperform template space based pipeline in subcortical segmentation [0.0]
ネイティブスペースアプローチが測定可能な優位性をもたらすかどうかを評価する。患者固有の解剖学的忠実度を必要とするアプリケーションには、ネイティブスペースセグメンテーションが好ましい。 7T-to-3Tドメインギャップを埋めることは、依然としてオープンな課題である。
論文参考訳（メタデータ） (2026-06-19T14:18:31Z)
OmniPlantSeg: Species Agnostic 3D Point Cloud Organ Segmentation for High-Resolution Plant Phenotyping Across Modalities [4.770378899761483]
ハードウェアやニューラルネットワークの入力サイズ要件を満たすために、広範な前処理とプラントポイントクラウドのダウンサンプルを使用することが一般的である。我々は,センサデータや植物種に依存しない生物点雲のサブサンプリングのための,単純かつ効果的なアルゴリズムKDSSを提案する。
論文参考訳（メタデータ） (2025-09-25T11:45:14Z)
MaizeField3D: A Curated 3D Point Cloud and Procedural Model Dataset of Field-Grown Maize from a Diversity Panel [12.89812013060155]
そこで本研究では,多種多様な遺伝子パネルから3次元点群を解析した。 MaizeField3Dは、AIによる表現型化、植物構造解析、農業研究における3D応用のための基礎的なデータセットとして機能する。
論文参考訳（メタデータ） (2025-03-10T19:53:20Z)
Diffusion-SS3D: Diffusion Model for Semi-supervised 3D Object Detection [77.23918785277404]
半教師付き3次元物体検出のための拡散モデルを用いて,擬似ラベルの品質向上に向けた新たな視点であるDiffusion-SS3Dを提案する。具体的には、劣化した3Dオブジェクトサイズとクラスラベル、分布を生成し、拡散モデルをデノナイズプロセスとして利用し、バウンディングボックス出力を得る。我々は,ScanNetとSUN RGB-Dベンチマークデータセットの実験を行い,既存手法に対する最先端性能の実現を実証した。
論文参考訳（メタデータ） (2023-12-05T18:54:03Z)
Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds [1.5882586857953638]
本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
論文参考訳（メタデータ） (2022-12-20T14:09:37Z)
SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
論文参考訳（メタデータ） (2022-12-06T09:32:44Z)
Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
意味点クラウドセグメンテーションネットワークをトレーニングする。同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
論文参考訳（メタデータ） (2021-07-23T14:34:57Z)
Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。この課題を解決するためのハイブリッド表現学習手法を提案します。
論文参考訳（メタデータ） (2020-12-14T05:22:49Z)
Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
論文参考訳（メタデータ） (2020-11-19T18:53:11Z)
Stem-leaf segmentation and phenotypic trait extraction of maize shoots from three-dimensional point cloud [8.392251372468412]
本稿では, 骨格抽出, 骨格に基づく粗い部分分割, 茎葉分類に基づく細部分分割の3段階からなる自動茎葉分割法を提案する。植物の高さ、樹冠径、茎の高さと直径、葉の幅と長さを含む6つの表現型パラメータを正確に自動測定することができる。提案したアルゴリズムは、完全に拡張された葉だけでなく、新しい葉をまとめて閉じることもできる。
論文参考訳（メタデータ） (2020-09-07T13:58:09Z)
Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds [49.47017280475232]
3次元点雲のセマンティックラベリングにおける教師なし領域適応問題について検討する。セグメンテーションネットワークに渡す前に、基盤となる表面を復元するためにComplete と Label のアプローチを採用する。回収された3D表面は標準領域として機能し、そこからセマンティックラベルが異なるLiDARセンサー間で転送される。
論文参考訳（メタデータ） (2020-07-16T17:42:05Z)

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。