論文の概要: RelationVGGT: Visual Geometry Transformers for 3D Spatial Relation Segmentation
- arxiv url: http://arxiv.org/abs/2610.00970v2
- Date: Mon, 05 Oct 2026 12:14:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 04:43:28.50802
- Title: RelationVGGT: Visual Geometry Transformers for 3D Spatial Relation Segmentation
- Title（参考訳）: RelationVGGT:3次元空間関係分割のための視覚幾何学変換器
- Abstract要約: フィードフォワードでポーズフリーなマルチビュー設定で3次元空間関係のセグメンテーションを定式化する。
視覚基盤モデルから意味的特徴と3次元幾何学基礎モデルからの幾何認識表現を統合する新しいフィードフォワードフレームワークであるRelationVGGTを提案する。
- 参考スコア（独自算出の注目度）: 60.646139728534195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in 3D reconstruction have progressed from per-scene optimization to feed-forward inference, and semantic scene understanding has followed suit -- yet existing methods remain confined to object-centric perception, neglecting spatial relations between objects. We formulate 3D spatial relation segmentation in a feed-forward, pose-free multi-view setting: given a visually specified subject and a relational text query, the model segments the target across views without receiving its category name. To this end, we propose RelationVGGT, a novel feed-forward framework that integrates semantic features from a visual foundation model with geometry-aware representations from a 3D geometry foundation model and leverages a relation transformer for subject-conditioned, cross-view relation prediction -- requiring neither per-scene optimization nor known camera poses. We additionally provide a fully automated annotation pipeline built on ScanNet++ with VLMs and LLMs, enabling scalable training data generation for this new task.
- Abstract（参考訳）: 3D再構成の最近の進歩は、シーンごとの最適化からフィードフォワード推論へと進歩し、セマンティックなシーン理解はそれに続く。
フィードフォワードでポーズフリーなマルチビュー設定で3次元空間関係のセグメンテーションを定式化する: 視覚的に指定された対象と関係テキストクエリが与えられた場合、モデルはカテゴリ名を受け取らずに対象をビュー間でセグメントする。
この目的のために、リレーショナルVGGT(RelationVGGT)は、視覚基盤モデルからのセマンティックな特徴と3次元幾何学基礎モデルからの幾何認識表現を統合し、対象条件付きクロスビュー関係予測のためのリレーショナルトランスフォーマを利用する新しいフィードフォワードフレームワークであり、シーンごとの最適化や既知のカメラポーズを必要としない。
さらに、VLMとLLMでScanNet++上に構築された完全に自動化されたアノテーションパイプラインを提供し、この新しいタスクのためにスケーラブルなトレーニングデータ生成を可能にします。
関連論文リスト
- Fysiverse-3D-Vision Technical Report: Generating Executable 3D Worlds from Images through Unified Spatial Reasoning [62.09790533047924]
生成モデルは、高度な画像条件付き3Dコンテンツ生成が可能だが、単一の画像から制御可能で実行可能な3Dシーンを生成することは、依然として困難である。
本研究では,Fysiverse-3D-Visionを提案する。Fysiverse-3D-Visionは1つの画像から生成した3次元シーンの再構成と実行可能アセット構築のための統合視覚言語-幾何学フレームワークである。
本フレームワークは,既存の手法と比較して,幾何学的整合性,レイアウト推定,レンダリング品質,物理的特性の理解に優れる。
論文 参考訳（メタデータ） (2026-09-22T06:22:31Z) - G$^2$TAM: Geometry Grounded Track Anything Model [49.05553245076823]
本稿では,RGB画像やビデオのみを用いて,3次元のインスタンス追跡を高速化するための統一的なフレームワークを提案する。
G$2$TAMは空間的に整列した幾何学的表現を暗黙記憶として使用し、安定したインスタンス識別とフレームとビュー間のローカライゼーションを保証する。
中心となるのは、視覚的およびテキスト的プロンプトを共有幾何学空間に統合し、エンドツーエンドの空間再構成とインスタンス一貫性マスク予測を可能にするクロスモーダル空間エンコーダである。
論文 参考訳（メタデータ） (2026-07-04T09:32:13Z) - FAST3DIS: Feed-forward Anchored Scene Transformer for 3D Instance Segmentation [15.271467111162714]
FAST3DISは、ホット後のクラスタリングを効果的にバイパスするエンドツーエンドのアプローチである。
本稿では,基礎的な奥行きバックボーン上に構築された3Dアンコール型クエリベースのTransformerアーキテクチャを提案する。
複雑な屋内3次元データセットを用いた実験により,本手法が競合セグメンテーション精度を実現することを示す。
論文 参考訳（メタデータ） (2026-03-27T00:45:31Z) - Interact3D: Compositional 3D Generation of Interactive Objects [31.12099147294145]
本稿では,3次元合成オブジェクト間の相互作用を物理的に妥当に生成する新しいフレームワークを提案する。
当社のアプローチは、まず先進的な先進的な先進的手法を活用して、高品質な個人資産をキュレートする。
これらの資産を物理的に構成するために、ロバストな2段階合成パイプラインを導入する。
論文 参考訳（メタデータ） (2026-03-17T03:21:06Z) - IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。
本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
論文 参考訳（メタデータ） (2025-10-26T14:57:44Z)
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。