論文の概要: ZVeC: A Zero-Shot Framework for Instance-Level Vehicle Extraction and Generative Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2609.24825v1
• Date: Mon, 21 Sep 2026 16:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.408146
• Title: ZVeC: A Zero-Shot Framework for Instance-Level Vehicle Extraction and Generative Point Cloud Completion
• Title（参考訳）: ZVeC: インスタンスレベル車両抽出と生成ポイントクラウドコンプリートのためのゼロショットフレームワーク
• Abstract要約: ZVeCはゼロショットのインスタンス駆動フレームワークで、シーンレベルの補完を合成オブジェクトレベルの再構築として再構成する。 ZVeC は極端入力間隔でも幾何的に一貫した完備化が得られることを示す。
• 参考スコア（独自算出の注目度）: 13.04687938172419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR point clouds acquired in underground environments exhibit severe geometric incompleteness due to occlusions and limited sensor viewpoints, making reliable point cloud completion challenging without large supervised datasets. We propose ZVeC, a zero-shot, instance-driven framework that reformulates scene-level completion as compositional object-level reconstruction. By decomposing a scene into semantic object instances, ZVeC reduces reconstruction ambiguity in cluttered environments while eliminating the need for scenario-specific training. Each segmented vehicle is completed independently using a depth- and 3D Gaussian-conditioned diffusion model that exploits generalized geometric priors before the reconstructed instances are recomposed into the original scene. To evaluate our approach, we construct a real-world dense LiDAR benchmark of underground parking environments. Experimental results demonstrate consistent improvements over representative scene-level baselines in both quantitative metrics and visual quality. The completed point cloud differs substantially from the measured input (average KL divergence ~ 2.1), yet reducing the input to only 1% of the original LiDAR measurements changes the completed reconstruction only marginally (KL divergence < 0.50). This demonstrates that ZVeC produces geometrically consistent completions even under extreme input sparsity.
• Abstract（参考訳）: 地下環境下で取得されたLiDAR点雲は、閉塞やセンサー視点の制限により、厳密な幾何学的不完全性を示すため、大規模な教師付きデータセットなしでは、信頼性の高い点雲の完成が困難である。 本稿では,ゼロショット・インスタンス駆動型フレームワークであるZVeCを提案する。 シーンをセマンティックオブジェクトインスタンスに分解することで、ZVeCは、シナリオ固有のトレーニングを不要にしながら、散らかった環境における再構築のあいまいさを低減する。 各セグメント車両は、再構成されたインスタンスが元のシーンに再配置される前に、一般化された幾何学的先行性を利用する深度と3次元ガウス条件拡散モデルを用いて独立に完成する。 提案手法を評価するため,地下駐車場環境の高密度LiDARベンチマークを構築した。 実験により,定量的な測定値と視覚的品質の両方において,シーンレベルの基準値よりも一貫した改善が示された。 完了点雲は、測定された入力(平均KL偏差~2.1)と大きく異なるが、元のLiDAR測度のうち、入力を1%に減らし、完了した再構成をわずかに変化させる(KL偏差〜0.50)。 これは、ZVeCが極端な入力間隔の下でも幾何的に一貫した完備化を生成することを示す。

関連論文リスト

• VGGT-Align: Bridging Local Reconstruction and Global Consistency for Long-Sequence 3D Reconstruction [8.983872448985627]
  本稿では,シーンを駆動するなどの構造的環境において,時間的セグメント間での幾何量の変化は本質的に不変である,という重要な洞察に基づいて構築されたスケール一貫性向上フレームワークを提案する。 SGIA(Scene Geometric Invariant Anchoring)を提案する。 複数のロングシーケンスベンチマークの実験では、最先端の性能を示し、絶対軌道誤差を最大32%削減し、軌道安定性と復元品質を大きく向上させた。
  論文  参考訳（メタデータ） (2026-08-15T14:32:55Z)
• DANCE: Density-agnostic and Class-aware Network for Point Cloud Completion [1.7188280334580195]
  ポイント雲の完成は、不完全な3Dスキャンから欠落した幾何学的構造を復元することを目的としている。 DANCEは、観測された幾何学を保ちながら、欠落した領域のみを完成させる新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-11-11T08:45:06Z)
• Unsupervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  MAL-UPCは、領域レベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークである。 我々のMAL-UPCは3Dの完全な監視を一切必要とせず、トレーニングセットにおける一視点部分的な観察のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• ComPC: Completing a 3D Point Cloud with 2D Diffusion Priors [52.72867922938023]
  センサーを通して直接オブジェクトから収集される3Dポイント雲は、自己閉塞のため、しばしば不完全である。 トレーニングを必要とせずに、未確認のカテゴリにまたがる部分点雲を完結させるテストタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:02:17Z)
• Point Scene Understanding via Disentangled Instance Mesh Reconstruction [21.92736190195887]
  本稿では,効率的なポイントシーン理解のために,aDisentangled Instance Mesh Reconstruction (DIMR) フレームワークを提案する。 セグメント化ベースのバックボーンは、偽陽性オブジェクトの提案を減らすために適用される。 メッシュを意識した潜在コード空間を活用して、シェイプコンプリートとメッシュ生成のプロセスを切り離します。
  論文  参考訳（メタデータ） (2022-03-31T06:36:07Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• Point Cloud Completion by Learning Shape Priors [74.80746431691938]
  形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。 完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。 我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-02T04:00:32Z)

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。