論文の概要: GraphWrit3R: End-to-End 3D Scene Graph Writing

• arxiv url: http://arxiv.org/abs/2609.31595v1
• Date: Fri, 25 Sep 2026 17:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.527367
• Title: GraphWrit3R: End-to-End 3D Scene Graph Writing
• Title（参考訳）: GraphWrit3R: エンド・ツー・エンドの3Dグラフィックライティング
• Abstract要約: 3Dシーングラフは、オブジェクト、それらの意味的属性、それらの間の関係を符号化することで、複雑な環境の構造化された表現を提供する。 3次元シーングラフ生成の現在のアプローチは、いくつかの基本的な制限に悩まされている。 GraphWrit3Rは,3Dポイントクラウドを利用するシンプルなエンドツーエンドの手法で,シーンを構造化スクリプトとして直接出力する。
• 参考スコア（独自算出の注目度）: 55.64871017816196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D scene graphs provide a structured representation of complex environments by encoding objects, their semantic attributes, and the spatial and functional relationships between them. Current approaches for 3D scene graph generation suffer from several fundamental limitations. They rely on complex multi-stage pipelines with explicit intermediate representations, making systems fragile and prone to error propagation. They assume access to ground-truth object annotations during inference, which deviates from real-world scenarios. They depend on proprietary models, hindering open-source deployment, or incur prohibitively slow inference. We present GraphWrit3R, a simple end-to-end method that takes a 3D point cloud, Gaussian Splats, or a combination of both as input, and directly outputs a complete scene graph as a structured JSON script. The graph lists all objects, their semantic attributes, and the relationships between them, while avoiding all of the above mentioned limitations. The choice of multiple input modalities is purely for versatility, allowing a single set of weights to handle diverse scenarios. Point cloud inputs are encoded via Sonata and Gaussian Splat inputs via Chorus, with both modalities projected onto a shared voxel grid and fused through a novel per-voxel contrastive alignment loss before being decoded by a large language model. As a natural consequence of the LLM, GraphWrit3R also supports open-vocabulary querying. On the 3DSSG benchmark, our method achieves state-of-the-art performance on object class, predicate, and triplet recall, outperforming methods that rely on ground-truth object annotations during inference. We further provide qualitative results and analyze different input modality configurations, contrastive loss formulations, and token fusion strategies.
• Abstract（参考訳）: 3次元シーングラフは、オブジェクト、それらの意味的属性、それらの間の空間的および機能的関係を符号化することで、複雑な環境の構造化された表現を提供する。 3次元シーングラフ生成の現在のアプローチは、いくつかの基本的な制限に悩まされている。 中間表現が明示的な複雑なマルチステージパイプラインに依存しており、システムは脆弱でエラーの伝播が困難である。 彼らは、実際のシナリオから逸脱する推論中に、接地真実のオブジェクトアノテーションにアクセスすることを前提としている。 これらはプロプライエタリなモデルに依存し、オープンソースデプロイメントを妨げるか、あるいは極めて遅い推論に依存します。 提案するGraphWrit3Rは,3Dポイントクラウド,ガウススプレート,あるいは2つの組み合わせを入力とし,構造化JSONスクリプトとして完全なシーングラフを直接出力するシンプルなエンドツーエンドメソッドである。 グラフは、上記の制限をすべて回避しながら、すべてのオブジェクト、それらのセマンティック属性、それらの間の関係をリストアップします。 複数の入力モダリティの選択は、純粋に汎用性のためであり、単一の重みのセットが多様なシナリオを扱うことができる。 ポイントクラウド入力は、ソナタとガウスのSplat入力を介して、Chorusを介して符号化され、両方のモダリティは共有ボクセルグリッドに投影され、大きな言語モデルによってデコードされる前に、新規なボクセル毎のコントラストアライメント損失を通して融合される。 LLMの自然な結果として、GraphWrit3Rはオープン語彙クエリもサポートする。 3DSSG ベンチマークでは,提案手法はオブジェクトクラス,述語,三重項リコールにおける最先端のパフォーマンスを実現している。 さらに、定性的な結果を提供し、異なる入力モダリティ構成、対照的な損失定式化、トークン融合戦略を解析する。

関連論文リスト

• Think While You Map: Asynchronous Vision-Language Agents for Incremental 3D Scene Graphs [10.390999817790425]
  Open-vocabulary 3D scene graph method は通常、2つの段階で機能する: 最初は再構成し、次に視覚言語モデルに富む。 本稿では,軽量なオンラインマッピングと重み付きセマンティックリファインメントを同時に行う非同期アーキテクチャを提案する。 本手法は, セマンティックセグメンテーションにおいて, 既存のオープンボキャブラリ3次元シーングラフ法に適合するか, 性能を向上する。
  論文  参考訳（メタデータ） (2026-06-30T10:49:21Z)
• SceneGraphGrounder: Zero-Shot 3D Visual Grounding via Structured Scene Graph Matching [2.4737219202679808]
  SceneGrapherは,再構成された3次元シーングラフ上の構造化グラフマッチングとして3次元グラウンドを再構成するフレームワークである。 我々は,移動ロボットによる実世界展開によるフレームワークの実証を行い,長距離物理環境における堅牢な空間推論を実証した。
  論文  参考訳（メタデータ） (2026-05-20T22:30:51Z)
• Ilov3Splat: Instance-Level Open-Vocabulary 3D Scene Understanding in Gaussian Splatting [32.46353940664006]
  Ilov3Splatは3Dガウススプラッティング(3D-GS)上に構築されたインスタンスレベルのオープンな3Dシーン理解のためのフレームワーク 言語対応のCLIP機能を効率的にエンコードするために,マルチレゾリューションハッシュ埋め込みを活用している。 推論時に、CLIPエンコードされたクエリは学習した機能と一致し、続いて関連するガウスグループを取得するための2段階の3Dクラスタリングが続く。
  論文  参考訳（メタデータ） (2026-05-06T05:23:41Z)
• Rethinking End-to-End 2D to 3D Scene Segmentation in Gaussian Splatting [86.15347226865826]
  We design an new end-to-end object-aware lifting approach, called Unified-Lift。 コントラスト損失を用いて学習したガウスレベルの機能を各ガウス点に拡張し、インスタンス情報をエンコードする。 LERF-Masked、Replica、Messy Roomsの3つのベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2025-03-18T08:42:23Z)
• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• GraphDreamer: Compositional 3D Scene Synthesis from Scene Graphs [74.98581417902201]
  シーングラフから合成3Dシーンを生成するための新しいフレームワークを提案する。 シーングラフにおけるノード情報とエッジ情報を活用することにより,事前学習したテキスト・画像拡散モデルをよりよく活用する。 GraphDreamerの有効性を検証するために,定性的および定量的な実験を行った。
  論文  参考訳（メタデータ） (2023-11-30T18:59:58Z)
• ConceptGraphs: Open-Vocabulary 3D Scene Graphs for Perception and Planning [125.90002884194838]
  ConceptGraphsはオープンな3Dシーン用のグラフ構造化表現である。 2Dファウンデーションモデルを活用し、マルチビューアソシエーションによってアウトプットを3Dに融合することで構築される。 我々は,この表現の有用性を,下流の計画タスクを通じて実証する。
  論文  参考訳（メタデータ） (2023-09-28T17:53:38Z)
• Incremental 3D Semantic Scene Graph Prediction from RGB Sequences [86.77318031029404]
  RGB画像列が与えられたシーンの一貫性のある3Dセマンティックシーングラフをインクリメンタルに構築するリアルタイムフレームワークを提案する。 提案手法は,新たなインクリメンタルエンティティ推定パイプラインとシーングラフ予測ネットワークから構成される。 提案するネットワークは,シーンエンティティから抽出した多視点および幾何学的特徴を用いて,反復的メッセージパッシングを用いた3次元セマンティックシーングラフを推定する。
  論文  参考訳（メタデータ） (2023-05-04T11:32:16Z)

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。