論文の概要: Probabilistic Scene Graphs: Hierarchical Representation and Real-time System

• arxiv url: http://arxiv.org/abs/2609.23144v1
• Date: Sat, 19 Sep 2026 17:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 17:06:33.479715
• Title: Probabilistic Scene Graphs: Hierarchical Representation and Real-time System
• Title（参考訳）: 確率的シーングラフ:階層的表現とリアルタイムシステム
• Abstract要約: 3Dシーングラフは、ロボット知覚のための意味的にリッチで階層的な表現を提供する。 本稿では,従来のシーングラフを一般化した確率的シーングラフ(PSG)を紹介する。 PSGは明示的な信念として不確実性を維持し、グラフを構築して洗練する操作を通じてそれを伝播させる。
• 参考スコア（独自算出の注目度）: 6.078940412779971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D scene graphs provide semantically rich and hierarchical representations for robot perception. However, existing systems do not maintain uncertainty as an explicit belief or propagate it through the operations that construct and refine the graph. We introduce Probabilistic Scene Graph (PSG), a generalization of the conventional scene graph that represents a posterior over possible graphs, factorized into a discrete graph structure of entities, relations, and semantic attributes, and continuous states that ground them spatially, with uncertainty maintained over both components. Geometry is carried directly by the nodes rather than selected from a separately constructed metric map, so a metric map, where needed, follows from the graph rather than preceding it. We instantiate PSG's probabilistic spatial grounding with hierarchical graphs of Gaussians (HGG): each object primitive is represented by a full-covariance Gaussian under a Normal-Inverse-Wishart belief, and the same parametrization applied recursively within a node yields a geometry graph that resolves its surface at finer resolution. We then build a mapping pipeline that preserves these beliefs throughout graph construction and refinement: a purely graph-based coarse-to-fine alignment registers observations by comparing node beliefs, while a nested Expectation-Maximization and factor-graph optimization jointly refines poses, object parameters, and internal geometry. Across six datasets spanning indoor RGB-D, outdoor LiDAR, and cross-modality deployment, HGG operates at sensor rate with near-constant memory and achieves state-of-the-art object accuracy and zero-shot graph alignment.
• Abstract（参考訳）: 3Dシーングラフは、ロボット知覚のための意味的にリッチで階層的な表現を提供する。 しかし、既存のシステムは明示的な信念として不確実性を維持したり、グラフを構築して洗練する操作を通じてそれを伝播させたりしない。 確率的シーングラフ (PSG) は、可能なグラフの後方を表現し、エンティティ、関係、意味属性の離散グラフ構造に分解された従来のシーングラフの一般化であり、両方のコンポーネントに対して不確実性を維持しながら、それらを空間的に接地する連続状態である。 幾何学は、別々に構築された計量写像から選択されるのではなく、ノードによって直接受け継がれるので、計量写像は、必要であれば、それより前のグラフから従う。 我々はPSGの確率的空間接地をガウスの階層グラフ(HGG)でインスタンス化し、各対象プリミティブは正規-逆ウィッシュアートの信念の下で全共分散ガウスで表され、ノード内で再帰的に適用される同じパラメトリゼーションは、その表面をより微細な分解で解決する幾何グラフを生成する。 純粋なグラフベースの粗いアライメントはノードの信念を比較することによって観測を登録し、ネストされた期待-最大化と因子グラフ最適化はポーズ、オブジェクトパラメータ、内部幾何学を共同で洗練する。 屋内RGB-D、屋外LiDAR、およびクロスモダリティデプロイメントにまたがる6つのデータセットにわたって、HGGは、ほぼコンスタントなメモリでセンサーレートで動作し、最先端のオブジェクト精度とゼロショットグラフアライメントを達成する。

関連論文リスト

• Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks [1.49251567571938]
  SIGILは任意の属性グラフを固定次元の統一表現空間にマッピングするフレームワークである。 リレーショナルメッセージパッシングネットワークは、各特徴次元を共有空間に埋め込む。 1つのグラフで事前訓練された単一のSIGILモデルは、強い完全帰納的リンク予測を提供する。
  論文  参考訳（メタデータ） (2026-08-09T08:14:35Z)
• Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks [4.912298804026689]
  グラフは関係データを効果的に特徴付け、グラフ表現学習法を駆動する。 最近の不整合グラフ表現学習は、グラフデータの独立因子を分離することにより、解釈可能性を高める。 本稿では,この制限に対処するグラフ最適マッチングカーネル畳み込みネットワーク(GOMKCN)を提案する。
  論文  参考訳（メタデータ） (2025-04-23T02:26:33Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Fine-grained Graph Rationalization [51.293401030058085]
  グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。 私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。 実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。