論文の概要: Organize Primitives into Semantic Parts: Reinforcement Reasoning for 3D Segmentation

• arxiv url: http://arxiv.org/abs/2610.04602v1
• Date: Sat, 03 Oct 2026 15:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 18:27:58.986365
• Title: Organize Primitives into Semantic Parts: Reinforcement Reasoning for 3D Segmentation
• Title（参考訳）: プリミティブをセマンティックな部分に組織化する:3次元セグメンテーションのための強化推論
• Abstract要約: RePart (Reinforcement Part Reasoning) を導入し, 有限水平マルコフ決定過程として原始的から部分的組織を定式化する。 RePartは、軌道レベルの強化推論を通じて意味的な組織を学ぶ。 その結果、強化推論は、幾何学的プリミティブを意味的な部分に整理する効果的なメカニズムを提供することを示した。
• 参考スコア（独自算出の注目度）: 65.22213714584353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Primitive-based 3D segmentation offers a compact and explicit alternative to dense surface prediction, naturally supporting structural abstraction and boundary localization. However, geometric decomposition alone does not determine how primitives should be organized into semantic parts: a single part may span multiple primitives, while geometrically similar or touching primitives may belong to different parts. We therefore introduce RePart (Reinforcement Part Reasoning), which formulates primitive-to-part organization as a finite-horizon Markov decision process and learns semantic organization through trajectory-level reinforcement reasoning. RePart constructs a Composable Primitive Workspace from fine-grained superquadrics and applies a merge-and-stop policy whose decisions are optimized by their downstream effects on the resulting partition rather than local primitive compatibility. The inferred part identities are then mapped back to the original mesh through Boundary-Aware Surface Labeling, preserving accurate surface boundaries beyond the primitive approximation. On PartNet, RePart achieves the strongest results across all four aggregate partition metrics; on 3DCoMPaT++, it obtains the highest RI and SC without target-dataset fine-tuning. These results demonstrate that reinforcement reasoning provides an effective mechanism for organizing geometric primitives into semantic parts while retaining dense segmentation accuracy. Code is available at https://github.com/EngineeringAI-LAB/RePart.
• Abstract（参考訳）: 原始的ベースの3Dセグメンテーションは、高密度表面予測のコンパクトで明示的な代替手段を提供し、構造的抽象化と境界局所化を自然にサポートする。 しかし、幾何学的分解だけでは、プリミティブをどのように意味的な部分に分類するかは決定できない:単一の部分は複数のプリミティブにまたがるが、幾何学的に類似または触れるプリミティブは異なる部分に属する。 そこで我々はRePart(Reinforcement Part Reasoning)を導入し,有限水平マルコフ決定過程として原始的・部分的組織を定式化し,軌道レベルの強化推論を通じて意味的組織を学習する。 RePartは、きめ細かいスーパークワッドリックからComposable Primitive Workspaceを構築し、ローカルのプリミティブ互換性ではなく、結果のパーティションに対するダウンストリーム効果によって決定が最適化されるマージ・アンド・ストップポリシーを適用します。 推定された部分の同一性は、境界認識曲面ラベリングを通じて元のメッシュにマッピングされ、原始近似を超えた正確な表面境界が保存される。 3DCoMPaT++では、ターゲットデータセットの微調整なしで、最も高いRIとSCが得られる。 これらの結果から, 強化推論は, 密接なセグメンテーションの精度を維持しつつ, 幾何学的プリミティブを意味的部分に整理する効果的な機構を提供することが示された。 コードはhttps://github.com/EngineeringAI-LAB/RePartで入手できる。

関連論文リスト

• PartLLM: A Unified Multimodal Foundation for 3D Part Segmentation [60.659851579884666]
  部分分割はコンピュータグラフィックスと3Dビジョンの基本的な問題である。 本稿では,3次元部分分割を自己回帰的意味分解として定式化する統一モデルPartLLMを紹介する。
  論文  参考訳（メタデータ） (2026-09-22T07:58:27Z)
• SCULPT: Subtractive Composition for 3D Part Generation [48.947695076233835]
  パートアウェアな3D生成は、完全なオブジェクトとして一貫性のあるデジタルアセットを作成することを目的としています。 本稿では,これらの課題に対処するフレームワークであるSCULPTを提案する。
  論文  参考訳（メタデータ） (2026-08-13T17:55:04Z)
• Unified Primitive Proxies for Structured Shape Completion [28.32354310239772]
  構造的形状完備化は、非構造的点としてではなく原始として欠落した幾何学を回復する。 単一のフィードフォワードパスで、完全な幾何学、意味論、および不整合のメンバーシップを持つプリミティブのセットを予測するUniCoを提案する。
  論文  参考訳（メタデータ） (2026-01-02T17:32:40Z)
• SegGraph: Leveraging Graphs of SAM Segments for Few-Shot 3D Part Segmentation [20.143843470532946]
  本研究は, 少数の3次元部分分割のための新しいフレームワークを提案する。 既存の手法では、3D特徴学習のための幾何学的構造を無視するか、SAMの高品質なグループ化ヒントを無視している。 SAMのセグメント化マスク内に符号化された幾何学的特徴を明示的に学習するために,SegGraphと呼ばれる新しいSAMセグメントグラフベースの伝搬法を考案した。
  論文  参考訳（メタデータ） (2025-12-18T03:55:17Z)
• Robust 3D Scene Segmentation through Hierarchical and Learnable Part-Fusion [9.275156524109438]
  3Dセマンティックセグメンテーションは、自律運転、ロボット工学、AR/VRといったいくつかのシーン理解アプリケーションのための基本的なビルディングブロックである。 従来の手法では、階層的で反復的な手法を用いて意味や事例情報を融合するが、文脈融合における学習性は欠如している。 本稿では,セグメンテーション・フュージョン(Seegment-Fusion)について述べる。
  論文  参考訳（メタデータ） (2021-11-16T13:14:47Z)
• Learning Fine-Grained Segmentation of 3D Shapes without Part Labels [29.837938445219528]
  学習に基づく3d形状セグメンテーションは、通常、トレーニング形状のすべての部分が所定のタグセットでアノテートされていると仮定して、意味的なラベリング問題として定式化される。 細粒度セグメンテーションを持つ形状データセットから,部分ラベルのない部分前処理を学習するための深層クラスタリングを提案する。 提案手法は,最先端性能を示す細粒度セグメンテーションの挑戦的なベンチマークを用いて評価する。
  論文  参考訳（メタデータ） (2021-03-24T07:27:07Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• SEG-MAT: 3D Shape Segmentation Using Medial Axis Transform [49.51977253452456]
  入力形状の媒体軸変換(MAT)に基づく3次元形状分割の効率的な方法を提案する。 具体的には、MATに符号化された豊富な幾何学的および構造的情報により、3次元形状の異なる部分間の様々な種類の接合を識別することができる。 本手法は, セグメンテーション品質の点で最先端の手法より優れ, 桁違いに高速である。
  論文  参考訳（メタデータ） (2020-10-22T07:15:23Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。