論文の概要: GUARD: Geometric Uncertainty-Aware Point Cloud Denoising and Segmentation for Robotic Hard Disk Drive Disassembly

• arxiv url: http://arxiv.org/abs/2610.09068v1
• Date: Tue, 06 Oct 2026 20:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.594367
• Title: GUARD: Geometric Uncertainty-Aware Point Cloud Denoising and Segmentation for Robotic Hard Disk Drive Disassembly
• Title（参考訳）: GUARD: ロボットディスクのハードディスク分解のための幾何学的不確かさを意識したクラウドデノベーションとセグメンテーション
• Abstract要約: GUARDは幾何学的不確実性を認識したフレームワークで、1つの前方パス内でポイントフィルタリングとセグメンテーションを実行する。 2,745個の実HDD点雲の評価は、GUARDがPointNet++セグメンテーションを改善したことを示す。 その結果、幾何学的信頼性と意味的信頼性を区別する価値が示された。
• 参考スコア（独自算出の注目度）: 3.107698042151629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable robotic disassembly requires part-level representations that distinguish genuine component geometry from scanning and reconstruction artifacts. In point clouds of hard disk drives (HDDs), structured ghost artifacts can resemble valid components locally while remaining inconsistent with the overall geometry, allowing erroneous measurements to receive plausible semantic labels. This creates an engineering information problem: semantic prediction confidence alone does not establish whether the underlying geometry is reliable. We propose \textbf{GUARD}, a geometric uncertainty-aware framework that performs point filtering and segmentation within a single forward pass by modeling the reliability of learned geometric representations. GUARD combines a multi-scale geometric transformer with a multi-bandwidth random Fourier feature Gaussian Process to estimate per-point geometric uncertainty, complemented by predictive entropy to suppress unreliable measurements while preserving informative structures. Evaluation on 2,745 real HDD point clouds shows that GUARD improves PointNet++ segmentation mean intersection over union from 0.7739 to 0.8318. Additional experiments on ShapeNetPart and ScanNet examine robustness across corruption types, point-cloud domains, and segmentation backbones. On manually annotated ScanNet samples, geometric uncertainty achieves a corrupted-point detection F1 score of 0.7931, compared with 0.2212 for predictive entropy. The results demonstrate the value of distinguishing geometric reliability from semantic confidence and reveal a tradeoff between artifact suppression and preservation of informative structures. GUARD contributes a reliability-aware approach to interpreting imperfect 3D measurements for component identification and subsequent robotic handling. Project website: https://001-wang.github.io/GUARD_Point_denoiser/.
• Abstract（参考訳）: 信頼性の高いロボット分解は、真のコンポーネント幾何学とスキャンと再構築アーティファクトを区別する部分レベルの表現を必要とする。 ハードディスクドライブ(HDD)の点雲では、構造化されたゴーストアーティファクトは、全体幾何学と矛盾しないまま、有効成分に局所的に類似し、誤った測定が妥当なセマンティックラベルを受け取ることができる。 セマンティック予測の信頼性だけでは、基礎となる幾何学が信頼できるかどうかを確定しない。 本稿では,学習した幾何表現の信頼性をモデル化し,単一の前方パス内で点フィルタリングとセグメンテーションを行う幾何学的不確実性認識フレームワークである「textbf{GUARD}」を提案する。 GUARDはマルチスケールの幾何変換器と多帯域ランダムフーリエ特徴ガウス過程を組み合わせることで、予測エントロピーによって補完される点当たりの幾何不確かさを推定し、情報構造を保ちながら信頼できない測定を抑える。 2,745個の実HDD点雲の評価は、GUARDがPointNet++セグメンテーションの平均交点を0.7739から0.8318に改善したことを示している。 ShapeNetPartとScanNetのさらなる実験では、汚職タイプ、ポイントクラウドドメイン、セグメンテーションバックボーン間の堅牢性を検証している。 手動でアノテートした ScanNet のサンプルでは、幾何的不確実性により、予測エントロピーの 0.2212 と比較すると、劣化点検出 F1 スコアは 0.7931 である。 その結果, 幾何的信頼性と意味的信頼性を区別する価値が示され, 人工物抑制と情報構造保存のトレードオフが明らかとなった。 GUARDは、コンポーネント識別とその後のロボットハンドリングのための不完全な3D計測を解釈するための信頼性に配慮したアプローチに貢献している。 プロジェクトウェブサイト:https://001-wang.github.io/GUARD_Point_denoiser/

関連論文リスト

• FOCUS: Fine-Grained Open-Vocabulary Change Detection for Uncertainty-Aware Semi-Static Scenes [31.159688521376935]
  FOCUSは、オブジェクトレベルの変更検出とマップメンテナンスのための不確実性を認識したフレームワークである。 半静的記憶の維持を確率的推論として定式化し、3次元ガウス写像から得られる幾何的可能性と外観的可能性とを融合する。 本手法はIsaac Simの倉庫における不明瞭な代替品と現実のTorWICデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2026-10-05T00:30:00Z)
• Reliability-Aware 3D Geometric Injection for Universal Person Re-identification [47.874819213762926]
  本稿では,一貫性を考慮した信頼性ゲートとDual-Stream Residual Fusionによって駆動されるUniversal Monocular 3D-Enhanced ReIDフレームワークを提案する。 本手法は,クリーンドメイン上での競合性能を維持しながら,難易度,構造に敏感なシナリオを改善する。
  論文  参考訳（メタデータ） (2026-07-21T08:54:25Z)
• NoPA: Non-Parametric Online 3D Scene Graph Generation [57.15076373014265]
  NoPAは各オブジェクトを別の非パラメトリック分布として表現する。 カーネル密度推定における平均誤差の最大化を利用して、オブジェクト候補のロバストなマージを可能にする。 NoPAは、リアルタイムの推論速度を犠牲にすることなく、現在の手法を大幅に上回る。
  論文  参考訳（メタデータ） (2026-07-01T07:18:07Z)
• Trust It or Not: Evidential Uncertainty for Feed-Forward 3D Reconstruction with Trust3R [28.889667509969488]
  Trust3Rはフィードフォワード3D再構成のための軽量な明らかな不確実性フレームワークである。 Trust3Rは、常にリスクカバレッジとスパーシフィケーションを改善し、概して幾何学的精度を向上させる。
  論文  参考訳（メタデータ） (2026-05-19T08:39:48Z)
• Beyond Defenses: Manifold-Aligned Regularization for Intrinsic 3D Point Cloud Robustness [7.747242279123295]
  古典的逆説と点雲の内在的構造を結びつける3次元ロバストネスの幾何学的解釈を開発する。 そこで本研究では, 固有摂動にまたがる予測を整列させることにより, 潜時幾何学を規則化するフレームワーク, Manifold-Aligned Point Recognition (MAPR) を紹介する。
  論文  参考訳（メタデータ） (2026-05-08T11:02:53Z)
• Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement [0.0]
  視覚言語モデルは、それらのテキスト経路が表現できないような幾何学を符号化する。 ロラ微調整(r=16, 2,000枚)は、このギャップを6.5度に縮める。 これらの知見は、単一の凍結したバックボーンがマルチタスク幾何学的センサーとして機能することを可能にした。
  論文  参考訳（メタデータ） (2026-03-06T16:48:27Z)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
  我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。 トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。 実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
  論文  参考訳（メタデータ） (2023-10-24T08:45:15Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Unsupervised Performance Analysis of 3D Face Alignment with a Statistically Robust Confidence Test [32.43769049247355]
  本稿では3次元顔アライメント(3DFA)の性能解析の問題点について述べる。 提案手法の中核となる要素は、予測されたランドマークとモデルランドマークの間の剛性変換の頑健な評価である。 その結果、提案手法は教師付きメトリクスと一致しており、予測されたランドマークと自動アノテーション付き3DFAデータセットの精度を測定できることがわかった。
  論文  参考訳（メタデータ） (2020-04-14T14:33:57Z)

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。