論文の概要: LangStreet: Persistent Language Fields for Anchor-Decoded Street Gaussians

• arxiv url: http://arxiv.org/abs/2609.11616v1
• Date: Thu, 10 Sep 2026 14:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.400549
• Title: LangStreet: Persistent Language Fields for Anchor-Decoded Street Gaussians
• Title（参考訳）: LangStreet: Anchor-Decoded Street Gaussianのための永続言語フィールド
• Abstract要約: 言語ガウスの分野は、プリミティブがビュー間で識別可能であると暗黙的に仮定している。 このような構成されたガウスシーンのための永続的な言語分野であるOursを紹介する。 その結果,ビューコンディショニングされたスプレート上の言語フィールドには,永続的なセマンティックオーナシップ,保存されたエビデンス,安定性,詳細性,表現コストといった階層が要求されることがわかった。
• 参考スコア（独自算出の注目度）: 49.81964802805499
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Language Gaussian fields implicitly assume that the primitive carrying semantics remains identifiable across views. This assumption breaks in scalable anchor-decoded representations, where persistent anchors generate view-conditioned child Gaussians whose geometry and appearance vary with the camera. We introduce Ours, a persistent language field for such structured Gaussian scenes. Our key idea is semantic ownership: transient children route observations, while persistent decoder slots and their parent anchors own the language field. We use alpha-compositing responsibilities to accumulate additive directional evidence at slots; these statistics marginalize exactly to anchors. We then complete weakly supported slots with anchor-aligned evidence while preserving the anchor direction, and represent slot detail through low-rank residuals in anchor-relative semantic coordinates. Our primary model, Ours (base), stores anchor features together with compact slot residuals. Ours (light) retains only anchor features, whereas Ours (max) stores the full-dimensional completed slot features explicitly. Without scene-specific semantic optimization, Ours (base) nearly matches Ours (max) across KITTI, Virtual KITTI, and Waymo. On KITTI, it achieves 34.19 2D mIoU with a 2.72 GiB effective feature footprint, compared with 34.20 mIoU and 12.90 GiB for Ours (max). The same accuracy-storage trend holds on Virtual KITTI and Waymo. These results show that language fields on view-conditioned splats require persistent semantic ownership, conserved evidence, and a hierarchy that balances stability, detail, and representation cost. Our code, checkpoints, and benchmark suite will be publicly available.
• Abstract（参考訳）: 言語ガウスの分野は、プリミティブがビュー間で識別可能であると暗黙的に仮定している。 この仮定はスケーラブルなアンカーデコード表現で破られ、永続的なアンカーは、カメラによって幾何学と外観が異なるビュー条件のガウシアンを生成する。 このような構成されたガウスシーンのための永続的な言語分野であるOursを紹介する。 永続的なデコーダスロットと親アンカーが言語フィールドを所有している間、過渡的な子どもは観察をルートする。 我々はアルファ合成の責任をスロットに加算方向の証拠を蓄積するために使い、これらの統計は正確にアンカーにマージする。 そして、アンカー方向を保ちながらアンカーアラインな証拠を持つ弱い支持スロットを完備し、アンカー相対的意味座標の低ランク残差を通してスロット詳細を表現する。 私たちの主要なモデルであるOurs (base)は、コンパクトなスロット残差とともにアンカー機能を格納します。 Ours (light) はアンカー機能のみを保持するが、Ours (max) はフル次元のスロット機能を明示的に格納する。 シーン固有のセマンティック最適化がなければ、Ours(ベース)はKITTI、Virtual KITTI、Waymo間でOurs(max)とほぼ一致します。 KITTIでは、34.20 mIoUと12.90 GiB for Ours (max)と比較すると、2.72 GiBで34.19 2D mIoUを達成した。 同じ精度保存のトレンドは、Virtual KITTIとWaymoにも当てはまる。 これらの結果は、ビューコンディショニングされたスプレート上の言語フィールドには、永続的なセマンティックオーナシップ、保存されたエビデンス、安定性、詳細、表現コストのバランスをとる階層が必要であることを示している。 私たちのコード、チェックポイント、ベンチマークスイートが公開されます。

関連論文リスト

• AnchorSeg: Language Grounded Query Banks for Reasoning Segmentation [56.21301367698041]
  AnchorSegを導入し、画像トークン上での条件生成の構造化として、推論セグメンテーションを再構成する。 我々は、アンカークエリがローカライズ信号を決定する画像トークン上の因子分布として空間条件をモデル化する。 Token-Mask Cycle Consistency (TMCC)を提案する。
  論文  参考訳（メタデータ） (2026-04-20T17:49:22Z)
• SENSE: Stereo OpEN Vocabulary SEmantic Segmentation [5.220640003552874]
  Open-vocabulary セマンティックセマンティックセマンティクスにより、モデルは固定されたクラスセットを超えてオブジェクトまたはイメージ領域をセマンティクスできる。 SENSEはStereo OpENセマンティックセマンティックセマンティックセマンティックセマンティックセマンティックセマンティックセマンティックセマンティクスを強化するための最初の研究である。 ステレオ画像ペアを組み込むことにより,空間的推論とセグメンテーションの精度を向上させる幾何学的手法を導入する。
  論文  参考訳（メタデータ） (2026-04-17T11:07:36Z)
• LOC: A General Language-Guided Framework for Open-Set 3D Occupancy Prediction [9.311605679381529]
  我々は,様々な占有ネットワークに適用可能な汎用言語誘導フレームワークLOCを提案する。 自己教師型タスクには,動的/静的シーンに多フレームLiDAR点を融合する戦略,ポアソン再構成を用いて空白を埋める手法,K-Nearest Neighbor (KNN) を介してボクセルに意味を割り当てる手法を用いる。 我々のモデルは,CLIP機能空間に埋め込まれた高密度なボクセル特徴を予測し,テキストと画像の画素情報を統合し,テキストとセマンティックの類似性に基づいて分類する。
  論文  参考訳（メタデータ） (2025-10-25T03:27:19Z)
• OccLE: Label-Efficient 3D Semantic Occupancy Prediction [68.60633561134571]
  OccLEはラベル効率のよい3Dセマンティック動作予測である。 イメージとLiDARを入力として取り、限られたvoxelアノテーションでハイパフォーマンスを維持する。 実験の結果,OccLE は Voxel アノテーションの10% しか使用せず,競争性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2025-05-27T01:41:28Z)
• SEER-ZSL: Semantic Encoder-Enhanced Representations for Generalized Zero-Shot Learning [0.6792605600335813]
  Zero-Shot Learning (ZSL)は、トレーニング中に見えないカテゴリを特定するという課題を示す。 ゼロショット学習のためのセマンティック強化表現(SEER-ZSL)を提案する。 まず,確率的エンコーダを用いて意味のある意味情報を抽出し,意味的一貫性とロバスト性を高めることを目的とする。 第2に、学習したデータ分布を逆向きに訓練した発電機で利用することにより、視覚空間を蒸留し、第3に、未確認なカテゴリを真のデータ多様体にマッピングできるようにする。
  論文  参考訳（メタデータ） (2023-12-20T15:18:51Z)
• Leveraging Hidden Positives for Unsupervised Semantic Segmentation [5.937673383513695]
  隠れ陽性を抽出することで、コントラスト学習を活用して、豊かな意味関係を学習する。 隣接パッチ間のセマンティック一貫性を学習するための勾配伝搬戦略を導入する。 提案手法は,COCO-stuff,Cityscapes,Potsdam-3データセットにおけるSOTA(State-of-the-art)の新たな結果を実現する。
  論文  参考訳（メタデータ） (2023-03-27T08:57:28Z)
• Video Referring Expression Comprehension via Transformer with Content-aware Query [60.89442448993627]
  ビデオ参照表現(REC)は、自然言語表現によって参照されるビデオフレーム内の対象物をローカライズすることを目的としている。 現在のクエリ設計はサブオプティマであり、2つの欠点に悩まされている。 フレーム全体に一定の数の学習可能なバウンディングボックスを設置し,実りある手がかりを提供するために,アライメントされた領域特徴を用いる。
  論文  参考訳（メタデータ） (2022-10-06T14:45:41Z)
• Towards Robust and Semantically Organised Latent Representations for Unsupervised Text Style Transfer [6.467090475885798]
  この摂動モデルを完成させるEPAAE(Perturbed Adrial AutoEncoders)を導入する。 これは、(a)スタイル的に類似した文をまとめるより優れた組織化された潜在空間を生み出すことを実証的に示す。 また、テキストスタイルの転送タスクをNLIデータセットに拡張し、これらのより複雑なスタイル定義がEPAAEによって最もよく学習されていることを示す。
  論文  参考訳（メタデータ） (2022-05-04T20:04:24Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Span Pointer Networks for Non-Autoregressive Task-Oriented Semantic Parsing [55.97957664897004]
  seq2seq、非自動回帰的、タスク指向を構築するための効果的なレシピは、3つのステップで発話とセマンティックフレームをマッピングする。 これらのモデルは通常、長さ予測によってボトルネックとなる。 本研究では,デコードタスクをテキスト生成からスパン予測へシフトさせる非自己回帰手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T07:02:35Z)

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。