論文の概要: CitySTAR: Structured and Topology-Aware Reasoning for Open-Vocabulary Urban 3D Grounding

• arxiv url: http://arxiv.org/abs/2609.19911v1
• Date: Thu, 17 Sep 2026 08:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.175566
• Title: CitySTAR: Structured and Topology-Aware Reasoning for Open-Vocabulary Urban 3D Grounding
• Title（参考訳）: CitySTAR:オープンボキャブラリ都市3次元グラウンドのための構造とトポロジーを考慮した推論
• Abstract要約: CitySTARは、推論駆動型都市3Dグラウンドのトレーニングフリーフレームワークである。 CitySTARは、強力な解釈可能性と一般化を維持しながら、オープンワールドの3Dグラウンドを継続的に改善する。
• 参考スコア（独自算出の注目度）: 13.825278005526046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D grounding aims to localize target entities in complex scenes from natural language and plays a fundamental role in embodied perception and spatial reasoning. However, existing approaches mostly rely on feature similarity or direct matching, making it difficult to connect natural-language intent with the implicit semantic and geometric structures hidden in billion-scale urban point clouds. We reformulate city-scale 3D grounding as structured constraint reasoning, where description semantics are organized into computable cross-modal constraints over open-vocabulary 3D entities, attributes, and spatial relations. We present CitySTAR, a training-free framework for reasoning-driven urban 3D grounding. CitySTAR lifts raw billion-scale urban point clouds into a query-ready scene graph of open-vocabulary 3D instances, with CodeLLM-driven tools supplying multimodal evidence for node attributes and 3D spatial relations. It then models target-context topology with paired hypergraphs and performs bidirectional topology verification for structural disambiguation. Finally, a Reflective Cross-modal Grounding module integrates topology consistency and candidate-centered 2D visual evidence to make decisions over a metric-aware 3D context graph. To further support this setting, we introduce CitySTAR-3D, an enhanced benchmark that improves semantic coverage, instance completeness, bounding-box fidelity, and spatial-relation complexity in city-scale 3D grounding. Extensive experiments show that CitySTAR consistently improves open-world urban 3D grounding while maintaining strong interpretability and generalization.
• Abstract（参考訳）: 3Dグラウンドリングは、自然言語から複雑なシーンのターゲットエンティティをローカライズすることを目的としており、具体的知覚と空間的推論において基本的な役割を担っている。 しかし、既存のアプローチは主に特徴の類似性や直接マッチングに依存しており、何十億もの都市点の雲に隠された暗黙的な意味と幾何学的構造と自然言語の意図を結びつけることは困難である。 都市規模の3Dグラウンドリングを構造化制約推論として再構成し、記述意味論をオープンな3Dエンティティ、属性、空間関係に対する計算可能なクロスモーダルな制約に分類する。 推論駆動型都市3DグラウンドリングのためのトレーニングフリーフレームワークであるCitySTARについて紹介する。 CitySTARは、ノード属性と3D空間関係に関するマルチモーダルな証拠を提供するCodeLLM駆動のツールを使用して、生の数十億の都市点雲をオープンな3Dインスタンスのクエリ可能なシーングラフに持ち上げる。 その後、対のハイパーグラフを用いてターゲットコンテキストトポロジをモデル化し、構造的曖昧性に対する双方向トポロジ検証を行う。 最後に、Reflective Cross-modal Groundingモジュールは、トポロジーの一貫性と候補中心の2D視覚的エビデンスを統合して、メトリック対応の3Dコンテキストグラフ上の決定を行う。 この設定をさらに支援するために,都市規模の3Dグラウンドにおける意味的カバレッジ,インスタンス完全性,境界ボックスの忠実度,空間関係の複雑さを改善する改良されたベンチマークであるCitySTAR-3Dを導入する。 大規模な実験により、CitySTARは強力な解釈可能性と一般化を維持しながら、オープンワールドの3Dグラウンド化を継続的に改善することが示された。

関連論文リスト

• GeoAnchor: Collaborative Reasoning via Latent Decomposition for 3D Spatial Understanding [45.67186918674009]
  GeoAnchorは、3次元空間関係のためのインターリーブテキストラテント推論フレームワークである。 3次元空間情報を3つの相補的な構成要素に分解する: 物体の接地位置潜時、リレーショナル配向方向潜時、シーン構造における幾何潜時である。 多様な複雑な3D推論タスクの実験により、GeoAnchorは、その有効性と一般化能力を検証して、技術の状態より優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-15T05:27:37Z)
• Grounded 3D-Aware Spatial Vision-Language Modeling [85.5303613287054]
  本稿では、3つの補完的な接地機能を備えた空間視覚言語モデルGR3Dを提案する。 明示的な2D接地、暗黙的な2D接地、単眼的な3D接地。 GR3Dは、グラウンドドと非グラウンドドの空間ベンチマークで一貫した改善を実現している。
  論文  参考訳（メタデータ） (2026-05-28T17:51:38Z)
• CoRe3D: Collaborative Reasoning as a Foundation for 3D Intelligence [6.2150701899678635]
  CoRe3Dは、意味的および空間的抽象化を共同で操作する統合された3D理解および生成推論フレームワークを導入している。 CoRe3Dは、セマンティック・チェーン・オブ・セマンティック・チェーン・推論と構造的空間的推論を密結合することにより、強い局所的な一貫性と言語記述との忠実な整合性を示す3D出力を生成する。
  論文  参考訳（メタデータ） (2025-12-14T17:05:11Z)
• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)
• Reasoning in Space via Grounding in the World [28.913518130948244]
  本研究では,そのギャップを埋める効果的な空間表現を探るため,GS-Spatial Reasoner(GS-Reasoner)を提案する。 GS-Reasonerは、3Dの視覚的グラウンドで印象的な結果を得ることができ、それによって空間的推論能力が大幅に向上する。
  論文  参考訳（メタデータ） (2025-10-15T17:58:08Z)
• Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation [54.04601077224252]
  身近なシーン理解には、視覚空間情報の理解だけでなく、3D物理世界における次の探索場所の決定も必要である。 アンダーラインテキストbf3D視覚言語学習は、エンボディエージェントが環境を効果的に探索し理解することを可能にする。 モデルの汎用性は、カテゴリ、言語記述、参照イメージなど、多様な入力モダリティを使ったナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2025-07-05T14:15:52Z)

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。