論文の概要: SplatLabel: Pseudo-Labelling through 4D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.29836v1
• Date: Thu, 24 Sep 2026 14:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.973717
• Title: SplatLabel: Pseudo-Labelling through 4D Gaussian Splatting
• Title（参考訳）: SplatLabel: 4Dガウススプラッティングによる擬似ラベル
• Abstract要約: SplatLabelは4次元ガウス表現を利用して予測信頼度でLiDARセグメンテーションを抽出する自動パイプラインである。 SplatLabelは、個々の3Dプリミティブの軌跡と寿命をモデル化する明示的な時間多様体を通じて動的環境を処理する。 Semantic KITTIの実験では、SplatLabelは複数のリコールレベルにわたる最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 10.945807584683726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While 2D Vision Foundation Models offer a pathway to automate 3D semantic pseudo-labelling, translating these priors into robust 3D representations typically requires complex heuristics or multi-model ensembles. We introduce SplatLabel, an automated pipeline that leverages a 4D Gaussian representation to extract LiDAR segmentation with predictive confidence, as well as semantic occupancy grids at arbitrary voxel resolutions. At its core, SplatLabel handles dynamic environments through an explicit temporal manifold that models the trajectories and lifespans of individual 3D primitives. This allows the system to accurately track moving actors and strictly define when objects appear and disappear, completely eliminating the need for pre-annotated 3D bounding boxes. To robustly support this dynamic tracking, the representation is grounded by structural and semantic priors: we guide scene geometry in unobserved regions by integrating 360-degree LiDAR via virtual depth maps, and rather than relying on domain-specific prompt engineering, we directly distill continuous soft probabilities from 2D models to inherently resolve semantic ambiguities over time and space. Finally, to accurately reflect the real-world trade-off between precision and recall, we reframe pseudo-label evaluation as a selective classification task using a generalized risk-recall metric. Experiments on SemanticKITTI demonstrate that SplatLabel consistently outperforms state-of-the-art baselines across multiple recall levels, establishing a highly robust framework for both 3D LiDAR segmentation and occupancy prediction.
• Abstract（参考訳）: 2D Vision Foundation Modelsは、3Dセマンティックな擬似ラベリングを自動化する経路を提供するが、これらの先行を堅牢な3D表現に変換するには、通常、複雑なヒューリスティックやマルチモデルアンサンブルが必要となる。 SplatLabelは、4Dガウス表現を利用して予測信頼度でLiDARセグメンテーションを抽出する自動パイプラインであり、任意のボクセル解像度でのセマンティック占有グリッドも導入する。 中心となるSplatLabelは、個々の3Dプリミティブの軌跡と寿命をモデル化する明示的な時間多様体を通じて動的環境を処理する。 これによりシステムは、動くアクターを正確に追跡し、オブジェクトの出現と消失のタイミングを厳密に定義し、事前にアノテーションを付けた3Dバウンディングボックスを不要にする。 我々は、仮想深度マップを通して360度LiDARを統合することによって、未観測領域におけるシーン幾何学をガイドし、ドメイン固有のプロンプト工学に頼るのではなく、2Dモデルから直接ソフト確率を抽出し、時間と空間のセマンティック曖昧さを本質的に解決する。 最後に、精度とリコールの実際のトレードオフを正確に反映するために、一般化されたリスクリコールメトリックを用いて、擬似ラベル評価を選択分類タスクとして再設定する。 SemanticKITTIの実験では、SplatLabelは複数のリコールレベルにわたる最先端のベースラインを一貫して上回り、3D LiDARセグメンテーションと占有率予測の両方のための非常に堅牢なフレームワークを確立している。

関連論文リスト

• UniLiPs: Unified LiDAR Pseudo-Labeling with Geometry-Grounded Dynamic Scene Decomposition [38.91601218414532]
  自動運転の応用において、ラベルなしのLiDARログは、本質的には、平らな視界に隠れている密集した3D幾何学の金鉱である。 テキストと2Dビジョン基礎モデルから直接3Dへと持ち上げ、融合するために、LiDARスイープ間の時間的幾何学的整合性を活用することで、このボトルネックに対処する。 提案手法が既存のセマンティックセグメンテーションやオブジェクト検出擬似ラベル法と良好に比較できることを実験的に検証した。
  論文  参考訳（メタデータ） (2026-01-08T16:52:28Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• SegSplat: Feed-forward Gaussian Splatting and Open-Set Semantic Segmentation [114.57192386025373]
  SegSplatは、高速でフィードフォワードな3D再構成とリッチでオープンなセマンティック理解のギャップを埋めるために設計された、新しいフレームワークである。 この研究は、意味的に認識された3D環境の実践的でオンザフライな生成に向けた重要なステップである。
  論文  参考訳（メタデータ） (2025-11-23T10:26:38Z)
• Class-agnostic 3D Segmentation by Granularity-Consistent Automatic 2D Mask Tracking [10.223105883919278]
  本稿では,フレーム間の時間的対応を維持する2次元マスク追跡手法を提案する。 本手法は, 整合性および高精度な3次元セグメンテーションを効果的に生成する。
  論文  参考訳（メタデータ） (2025-11-02T03:52:42Z)
• 3D Can Be Explored In 2D: Pseudo-Label Generation for LiDAR Point Clouds Using Sensor-Intensity-Based 2D Semantic Segmentation [3.192308005611312]
  そこで我々は,3次元セマンティックセマンティックセマンティクスパイプラインを導入し,アライメントシーンと最先端2次元セマンティクス手法を利用した。 本手法は,センサ強度で色付けされたLiDARスキャンから2次元ビューを生成し,これらのビューに2次元セマンティックセマンティックセグメンテーションを適用した。 分割された2D出力は3Dポイントにバックプロジェクターされ、単純な投票ベースの推定器が使用される。
  論文  参考訳（メタデータ） (2025-05-06T08:31:32Z)
• Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
  FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。 FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
  論文  参考訳（メタデータ） (2024-11-29T08:52:32Z)
• Panoptic NeRF: 3D-to-2D Label Transfer for Panoptic Urban Scene Segmentation [48.677336052620895]
  そこで本研究では,画素ごとの2Dセマンティックスとインスタンスラベルの取得を目的とした,新しい3D-to-2Dラベル転送手法であるPanoptic NeRFを提案する。 3D空間内での推論と2Dラベルへのレンダリングにより、我々の2Dセマンティクスとインスタンスラベルは、設計によって複数ビューに一貫性がある。
  論文  参考訳（メタデータ） (2022-03-29T04:16:40Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)

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。