論文の概要: ProClosure: Hierarchical Room-Object Assignment using Progressive Boundary Closure from Monocular Video

• arxiv url: http://arxiv.org/abs/2609.12614v1
• Date: Fri, 11 Sep 2026 09:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.693761
• Title: ProClosure: Hierarchical Room-Object Assignment using Progressive Boundary Closure from Monocular Video
• Title（参考訳）: ProClosure: モノクロビデオからのプログレッシブ境界クロージャを用いた階層型ルームオブジェクトアサインメント
• Abstract要約: SLAMフロントエンドは、構造点雲、カメラ軌道、オブジェクトトラックを提供する。 雲はトップダウンマップにアノテートされ、そこから部屋が回収され、各オブジェクトはその範囲のほとんどを保持する。 部屋はどちらも拡張するべきではないので、どちらも閉じて区別する必要はありません。
• 参考スコア（独自算出の注目度）: 0.08749675983608168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A 3D scene graph groups objects into rooms. When a robot is asked to fetch an object from the kitchen, that grouping is what tells it where to look. An object recorded in the wrong room is not retrievable by a query naming the correct room. We introduce Progressive Boundary Closure, which recovers room layer from a monocular RGB video. A SLAM front end and an open-vocabulary segmenter supply a structural point cloud, camera trajectory and object tracks. The cloud is rasterised into a top-down map, rooms are recovered from it, and each object takes the room holding most of its extent. The difficulty lies in the map itself. Walls are recorded only where the camera looked, so a gap in the boundary may be a doorway or a stretch of wall that was never observed; nothing distinguishes the two. Prior methods treat both as passages, merging rooms that should remain separate. We observe that both require the same treatment: a room should not extend across either, so both are closed and need not be distinguished. Such an opening closes under a small amount of boundary growth, and few sightlines cross it, so points in different rooms rarely see one another. We use the first to recover rooms and the second to assign objects to them. Rooms are obtained by Progressively thickening the boundary inward and freezing each free-space region once it becomes enclosed, so every opening seals at its own scale rather than at a radius fixed in advance. Camera poses are used as seeds, which removes the sampling heuristic and makes the segmentation deterministic. Over 10 floors of 6 HM3D-Semantics scenes, scored against HOV-SG on identical top-down maps, we recover 74 rooms for 72 annotated regions (HOV-SG: 44), raising room F_1 from 0.741 to 0.890 at IoU 0.25 at some cost in precision, and object-to-room ARI from 0.488 to 0.696 (p=0.002, ahead on every floor).
• Abstract（参考訳）: 3Dシーングラフは、オブジェクトを部屋にグループ化する。 ロボットがキッチンから物を取り出すように頼まれると、そのグループ化がどこに見えるかを教えてくれる。 間違った部屋に記録されたオブジェクトは、正しい部屋を命名したクエリによって検索できない。 モノクラーRGBビデオから部屋層を復元するプログレッシブ境界クロージャを導入する。 SLAMフロントエンドとオープン語彙セグメンタは、構造点雲、カメラ軌道およびオブジェクトトラックを提供する。 雲はトップダウンの地図にラスタライズされ、そこから部屋が回収され、各オブジェクトはその範囲のほとんどを保持する。 難易度は地図自体にある。 壁はカメラが見えた場所のみに記録されるため、境界の隙間は、観測されなかったドアウェイや壁のストレッチであるかもしれない。 従来の方法はどちらも通路として扱い、別々の部屋をマージする。 部屋はどちらも拡張するべきではないので、どちらも閉じて区別する必要はありません。 このような開口部は境界成長の少ない範囲で閉ざされ、視線はほとんど交わらないため、異なる部屋の点が互いに見えることはめったにない。 第一に部屋を復元し、第二にオブジェクトを割り当てます。 室は、境界を内向きに濃くし、密閉されると各自由空間領域を凍結することにより得られる。 カメラのポーズは種子として使用され、サンプリングヒューリスティックを除去し、セグメンテーションを決定する。 6つのHM3D-Semanticsシーンの10フロア以上、同じトップダウンマップ上でHOV-SGと対戦し、72のアノテート領域(HOV-SG:44)の74部屋を復元し(HOV-SG:44)、IoU 0.25で0.741から0.890までのF_1を、精度でオブジェクト・ツー・ルームのARIを0.488から0.696(p=0.002)に引き上げた。

関連論文リスト

• Cloak of Invisibility: Real-Time Privacy-Preserving Volumetric Video Streaming [40.19793192289804]
  ボリュームビデオストリーミングは、プライバシーを3Dのマルチビュー問題に変える。 InViStreamは、この設定のために設計されたリアルタイムの"プライバシ・オブ・ソース"システムである。
  論文  参考訳（メタデータ） (2026-08-12T04:44:20Z)
• Hierarchical Fast-Slow ReAct Agent for Zero-Shot Object-Goal Navigation [3.8281938955545587]
  ゼロショットのオブジェクトゴールナビゲーションでは、ロボットが入力したことのない建物の中で名前の付いたオブジェクトカテゴリーを見つける必要がある。 我々は、ロボットがすでに見たものを熟考の対象にするシステムを開発した。 我々のシステムは、HM3D v1 val valで68.75%、MP3Dで47.29%に達する。
  論文  参考訳（メタデータ） (2026-08-10T16:34:26Z)
• From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model [72.8641426724502]
  カメラ中心型VLA(CamVLA)は、カメラ幾何学から制御を分離する新しいVLAモデルである。 CamVLAは、さまざまな見当たらない視点での成功率を継続的に改善する。
  論文  参考訳（メタデータ） (2026-07-06T17:59:59Z)
• LangLoc: "Tell Me What You See" [62.742423478661316]
  自然言語からのきめ細かい屋内局所化に取り組む。 周囲の自由形式の記述を与えられた場合、観測者の2次元位置を推定し、既知の3次元環境内に向かう。 LangLocはCLIPセマンティック機能を備えたデュアルブランチのGATv2エンコーダを通じて正しいシーンを取得する。
  論文  参考訳（メタデータ） (2026-07-06T13:39:22Z)
• Occupancy-Grounded Room Segmentation for Hierarchical 3D Scene Graphs [0.0]
  本稿では, 部屋ノードを占有分解から得られる自由空間領域に固定した3DSGパイプラインを提案する。 その結果, 居住地におけるアンカーは, 場所接続構造よりも部屋のインスタンスをかなり多く回収し, 精度の低下を招いた。
  論文  参考訳（メタデータ） (2026-06-11T09:36:15Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• 3D Scene Prompting for Scene-Consistent Camera-Controllable Video Generation [55.29423122177883]
  3DScenePromptは任意の長さの入力から次のチャンクを生成するフレームワークである。 カメラの制御とシーンの一貫性の維持を可能にする。 我々のフレームワークは、シーンの一貫性、カメラ制御性、生成品質において、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-10-16T17:55:25Z)
• SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation with Fine-Grained Geometry [92.24144643757963]
  3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。 高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。 SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。 提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
  論文  参考訳（メタデータ） (2023-02-16T15:31:59Z)
• Audio-Visual Floorplan Reconstruction [87.80748348615643]
  環境を少しだけ垣間見るだけで、そのフロアプラン全体についてどれだけ推測できるだろうか? AV-Mapはマルチモーダルエンコーダ・デコーダ・フレームワークで,音声と視覚を併用して短い入力ビデオシーケンスからフロアプランを再構築する。 私たちの85の大規模な実世界の環境における結果は、その影響を示しています。ある領域の26%にまたがるほんの少しの垣根を見れば、その領域全体を66%の精度で見積もることができるのです。
  論文  参考訳（メタデータ） (2020-12-31T07:00:34Z)

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。