論文の概要: NeuSOGA3D: A Neuro-Symbolic Framework for Explainable 3D Geometric Reconstruction

• arxiv url: http://arxiv.org/abs/2609.20323v2
• Date: Fri, 18 Sep 2026 10:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.71969
• Title: NeuSOGA3D: A Neuro-Symbolic Framework for Explainable 3D Geometric Reconstruction
• Title（参考訳）: NeuSOGA3D : 説明可能な3次元幾何再構成のためのニューロシンボリックフレームワーク
• Abstract要約: 不整点雲からの3次元再構成は、コンピュータビジョン、幾何学的モデリング、コンピュータ支援設計において難しい問題である。 我々はNeuSOGA3Dを,NeuSOGAから受け継いだ学習された知覚的先入観と明示的な記号的幾何学的推論を組み合わせたハイブリッドフレームワークとして紹介する。
• 参考スコア（独自算出の注目度）: 17.537492063529896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional reconstruction from unorganized point clouds remains a challenging problem in computer vision, geometric modeling, and computer-aided design. While neural implicit methods achieve impressive reconstruction accuracy, geometry is typically encoded in latent representations that limit interpretability and reuse within engineering workflows. We present NeuSOGA3D (Neuro-Symbolic Observation-Guided Geometric Abstraction in 3D), a hybrid framework that combines learned perceptual priors inherited from NeuSOGA with explicit symbolic geometric reasoning. The method projects point clouds onto principal orthographic planes, constructs symbolic implicit spline representations from the resulting observations, and fuses them through shape-preserving constructive solid geometry operations to generate a coarse visual hull. Additional geometric detail is recovered through cross-sectional decomposition and volumetric reconstruction using Partial Shape-Preserving Splines. Unlike conventional neural implicit approaches, NeuSOGA3D progressively transforms observations into explicit symbolic entities, including control polygons, implicit spline fields, cross-sections, and volumetric lofts. Experiments on all forty categories of the ModelNet40 benchmark demonstrate the ability of the framework to recover structurally meaningful and CAD-compatible geometric representations from diverse point-cloud observations. The results highlight the potential of combining learned perception with symbolic geometric reasoning for explainable geometric intelligence.
• Abstract（参考訳）: 無秩序な点雲からの3次元再構成は、コンピュータビジョン、幾何学的モデリング、コンピュータ支援設計において難しい問題である。 ニューラル暗黙法は印象的な再構成精度を達成するが、幾何学は通常、工学ワークフロー内での解釈可能性と再利用を制限する潜在表現に符号化される。 我々はNeuro-Symbolic Observation-Guided Geometric Abstraction in 3Dという,Neuro-Symbolic Observation-Guided Geometric Abstraction in 3Dという,Neuro-Symbolic Observation-Guided Geometric Abstraction(Neuro-Symbolic Observation-Guided Geometric Abstraction in 3D)について述べる。 この方法では、雲を主直交平面に投影し、得られた観測結果から象徴的な暗黙のスプライン表現を構築し、形状保存された構成的な立体幾何学演算を通してそれらを融合させ、粗い視覚的包絡を生成する。 部分形状保存スプラインを用いた断面分解と体積再構成により, 付加的な幾何学的詳細を復元する。 従来の神経暗黙のアプローチとは異なり、NeuSOGA3Dは、観測を制御多角形、暗黙のスプライン場、断面、体積のロフトを含む明示的な象徴的な実体に徐々に変換する。 ModelNet40ベンチマークの全40カテゴリの実験は、様々な点-クラウド観測から構造的に意味のあるCAD互換の幾何学的表現を復元するフレームワークの能力を実証している。 この結果は、学習した知覚と記号的幾何学的推論を組み合わせることで、説明可能な幾何学的知性を実現する可能性を浮き彫りにした。

関連論文リスト

• Pano3D: Unified 3D Reconstruction and Panoptic Segmentation [68.18993232814061]
  統合されたフレームワークで3次元再構成と3次元パノプティクスのセグメンテーションを行う手法を提案する。 既存の3次元再構成モデルを構築し,それをマスクデコーダで拡張する。 提案手法は,ScanNet,ScanNet200,ScanNet++データセット間の3次元パノプティクスセグメンテーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-06-12T09:43:13Z)
• GIQ: Benchmarking 3D Geometric Reasoning of Vision Foundation Models with Simulated and Real Polyhedra [33.53387523266523]
  本稿では,視覚モデルと視覚言語基礎モデルの幾何学的推論能力を評価するためのベンチマークであるGIQを紹介する。 GIQは224種類の多面体からなる合成および実世界の画像からなる。
  論文  参考訳（メタデータ） (2025-06-09T20:11:21Z)
• GURecon: Learning Detailed 3D Geometric Uncertainties for Neural Surface Reconstruction [46.32074326890457]
  本稿では,幾何整合性に基づく神経表面の幾何不確実性場を確立する新しいフレームワークGUReconを提案する。 様々なデータセットの実験は、GUReconの3次元幾何学的不確かさのモデル化における優位性を示している。
  論文  参考訳（メタデータ） (2024-12-19T15:15:03Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• Geometry-guided Feature Learning and Fusion for Indoor Scene Reconstruction [14.225228781008209]
  本稿では3次元シーン再構成のための新しい幾何学的統合機構を提案する。 提案手法は,特徴学習,特徴融合,ネットワーク監視という3段階の3次元幾何学を取り入れている。
  論文  参考訳（メタデータ） (2024-08-28T08:02:47Z)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

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。