論文の概要: SSC-Priors: Exploring Semantic and Visibility Priors to Boost Lidar Semantic Scene Completion

• arxiv url: http://arxiv.org/abs/2609.17413v1
• Date: Tue, 15 Sep 2026 16:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.622809
• Title: SSC-Priors: Exploring Semantic and Visibility Priors to Boost Lidar Semantic Scene Completion
• Title（参考訳）: SSC-Priors:Lidar Semantic Scene Completionに先立ってセマンティックと可視性を探る
• Abstract要約: 本稿では,ライダー・セマンティック・シーン・コンプリート(SSC)のための既存ネットワークの性能向上戦略について検討する。 我々は、既存のアプローチを改善するために、意味的な擬似ラベルとセンサ可視情報を使用する。 そこで本研究では,既成のSSCモデルの性能を著しく向上させ,意味的な擬似ラベルを用いた入力点雲の実現について述べる。
• 参考スコア（独自算出の注目度）: 61.665449818739155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates easy strategies to boost the performance of existing networks for lidar semantic scene completion (SSC) without requiring complex architectural redesigns. The fact is that, over the last years, SSC methods have mostly pursued architectural innovations, making the models heavier and more complex, e.g., by jointly training a point cloud semantic segmentation branch. In this work, we take a step back and explore two priors used as simple ingredients (possibly noisy) to improve existing approaches: semantic pseudo-labels and sensor visibility information. Concretely, we provide both kinds of information directly as additional inputs to a given SSC network, requiring only a minimal adaptation of the original architecture. We first demonstrate that endowing input point clouds with semantic pseudo-labels from off-the-shelf segmenters significantly improves the performance of existing SSC models. In fact, by evaluating these models against an oracle, we establish that high-quality semantic priors are a primary driver of semantic gains (mIoU), and that the SSC model can be trained just once with ground-truth semantics and then exploited without retraining using any segmenter. Furthermore, we equip the input lidar point cloud with visibility information that distinguishes between empty spaces (between the lidar and a scanned point) and unknown spaces (outside of lines of sight), providing a secondary performance boost across the tested architectures. We study the design space of data for representing visibility information and bound the remaining headroom with a ground-truth oracle on the free-space labels. On SemanticKITTI, these enhancements make older models competitive with state-of-the-art systems across four architectures, in one case even outperforming them. On the SSCBench-nuScenes benchmark, both priors also transfer with the sparser 32-beam sensor.
• Abstract（参考訳）: 本稿では,複雑なアーキテクチャ再設計を必要とせず,既存のネットワークをSSC(Lidar semantic scene completion)に拡張するための簡単な戦略について検討する。 事実、ここ数年、SSCメソッドは、主にアーキテクチャの革新を追求し、ポイントクラウドセマンティックセグメンテーションブランチを共同でトレーニングすることで、モデルをより重く、より複雑にしている。 本研究では、従来のアプローチを改善するために、単純な材料(おそらくうるさい)として使われる2つの先行事項、すなわち意味的な擬似ラベルとセンサ可視性情報について考察する。 具体的には、与えられたSSCネットワークに付加的な入力として両方の情報を直接提供し、元のアーキテクチャの最小限の適応しか必要としない。 まず,市販セグメンタから意味的な擬似ラベルを付与することで,既存のSSCモデルの性能が大幅に向上することが実証された。 実際、これらのモデルをオラクルに対して評価することにより、高品質なセマンティックオーダがセマンティックゲイン(mIoU)の主要な要因であること、そしてSSCモデルを1回だけ、地平のセマンティクスでトレーニングし、セマンティクスを使って再トレーニングすることなく活用できることが確認できる。 さらに、入力ライダー点雲に、空き空間(ライダーとスキャンされた点の間)と未知の空間(視線外)を区別する可視情報を持たせ、テストされたアーキテクチャ全体にわたって二次的な性能向上を提供する。 本研究では、可視性情報を表すデータの設計空間を考察し、残余のヘッドルームを自由空間ラベル上の接地軌道に縛り付ける。 SemanticKITTIでは、これらの拡張により、古いモデルは4つのアーキテクチャで最先端のシステムと競合する。 SSCBench-nuScenesベンチマークでは、どちらもスペーサー32ビームセンサーで転送される。

関連論文リスト

• SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
  事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。 データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。 さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
  論文  参考訳（メタデータ） (2026-07-02T06:56:29Z)
• Exploring Easy Boosts for Lidar Semantic Scene Completion [61.665449818739155]
  複雑な設計設計を必要とせずに、ライダーセマンティックシーン補完(SSC)の性能を高める「フリーランチ」戦略。 まず,市販セグメンタから意味的な擬似ラベルを付与することで,既存のアーキテクチャの性能が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2026-06-02T17:59:59Z)
• SEMASIA: A Large-Scale Dataset of Semantically Structured Latent Representations [12.185380843937196]
  約1,700個の事前学習された視覚モデルから抽出した潜在表現の大規模コレクションであるSEMASIAを紹介する。 個々の潜在空間の概念的構造を解析し、一貫したプロトタイプのようなクラスタリングを示す。 プレトレーニングデータの複雑性,特殊化,伝達学習,拡張,モデルスケールが,埋め込みの幾何学的および探索的特性とどのように関係しているかを,大規模回帰分析により解析する。
  論文  参考訳（メタデータ） (2026-05-10T11:42:36Z)
• Entropy-Aware Structural Alignment for Zero-Shot Handwritten Chinese Character Recognition [7.632962062462334]
  ゼロショット手書き漢字認識は、急進的な意味合成を活用することで、目に見えない文字を認識することを目的としている。 本稿では,情報理論モデリングにより視覚と意味のギャップを埋めるエントロピー対応構造アライメントネットワークを提案する。 ICDAR 2013データセットで55.04%の精度を達成し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:40Z)
• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• CLIP Brings Better Features to Visual Aesthetics Learners [14.351572852317558]
  Image Aesthetics Assessment (IAA) は主観的性格と高価な手作業による課題である。 Contrastive Language-Image Pre-Training (CLIP) のような近年の大規模視覚言語モデルでは、様々な下流タスクに期待できる表現能力を示している。 本稿では,CLIPの強力な一般化能力を活用しつつ,軽量なIAAモデルを学習することを目的とした,2相CLIPに基づく半教師付き知識蒸留パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-28T16:00:21Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Semantics-Guided Contrastive Network for Zero-Shot Object detection [67.61512036994458]
  ゼロショット物体検出(ZSD)はコンピュータビジョンにおける新しい課題である。 ゼロショット検出の領域にコントラスト学習機構をもたらすフレームワークであるContrastZSDを開発した。 本手法は,ZSDタスクと一般化ZSDタスクの両方において,従来の最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-04T03:32:15Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Context-self contrastive pretraining for crop type semantic segmentation [39.81074867563505]
  提案したContext-Self Contrastive Loss (CSCL)は、セマンティックバウンダリをポップアップさせる埋め込み空間を学習する。 衛星画像時系列(SITS)からの作物型セマンティックセマンティックセグメンテーションでは,サテライト境界における性能が重要なボトルネックとなる。 より粒度の高い作物のクラスを得るための超解像における意味的セグメンテーションのプロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-09T11:29:44Z)

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。