論文の概要: PARC-Loc: Text-to-Point-Cloud Localization with Partial Assignment and Relational Consistency

• arxiv url: http://arxiv.org/abs/2610.09761v1
• Date: Wed, 07 Oct 2026 09:46:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.838443
• Title: PARC-Loc: Text-to-Point-Cloud Localization with Partial Assignment and Relational Consistency
• Title（参考訳）: PARC-Loc:部分割当てと関係整合を考慮したテキスト・ツー・ポイント・クラウド・ローカライゼーション
• Abstract要約: テキスト・ツー・ポイント・クラウドのローカライゼーションは、周囲の物体の記述から都市規模の3Dマップの位置を推定する。 類似のアーバンオブジェクトは、クエリと複数のサブマップの埋め込み類似性を増大させることができる。 クエリ関連インスタンスは、しばしばサブマップ境界にまたがり、取得したサブマップに不完全なコンテキスト証拠が残される。 本稿では,部分割当て一貫性に基づく粗大な局所化フレームワークPARCLOCを提案する。
• 参考スコア（独自算出の注目度）: 8.594783071166072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-point-cloud localization estimates a position in a city-scale 3D map from descriptions of surrounding objects. Existing coarse-to-fine methods retrieve submaps using aggregate learned compatibility and then localize within a selected submap. However, repetitive or similar urban objects can inflate the embedding similarity between the query and multiple submaps, even when the instance layout within a submap violates the query description. Meanwhile, query-relevant instances often span submap boundaries, leaving the retrieved submap with incomplete contextual evidence. We term these failure modes layout-inconsistent aliasing and boundary evidence incompleteness, respectively. To address them, we propose PARC-Loc, a coarse-to-fine localization framework built on Partial Assignment with Relational Consistency (PARC). PARC jointly models hint-object compatibility and pairwise spatial relations, allowing unmatched elements while favoring assignments consistent with the queried layout. At the coarse stage, its candidate-level assessment complements neural similarity for layout-consistent submap selection. At the fine stage, the context is expanded with query-relevant instances from adjacent submaps, while PARC yields object-level matching weights that guide cross-modal attention. Extensive experiments on KITTI360Pose and CityLoc show that PARC-Loc outperforms conventional coarse-to-fine baselines. On KITTI360Pose, our method improves Top-1 localization recall at 5 m from 0.50 to 0.67, achieving a 34% relative gain over the strongest baseline.
• Abstract（参考訳）: テキスト・ツー・ポイント・クラウドのローカライゼーションは、周囲の物体の記述から都市規模の3Dマップの位置を推定する。 既存の粗いメソッドは、集計された互換性を使ってサブマップを検索し、選択したサブマップ内にローカライズする。 しかし、反復的または類似した都市オブジェクトは、サブマップ内のインスタンスレイアウトがクエリ記述に違反している場合でも、クエリと複数のサブマップの埋め込み類似性を増大させることができる。 一方、クエリ関連インスタンスは、しばしばサブマップ境界にまたがり、検索したサブマップには、不完全なコンテキスト証拠が残されている。 これらの障害モードはそれぞれ、レイアウト不整合エイリアスと境界エビデンス不完全である。 そこで本研究では,PARC-Locを提案する。PARC-LocはPARC-Loc(Partial Assignment with Relational Consistency, PARC)上に構築された粗大な局所化フレームワークである。 PARCは、ヒントオブジェクトの互換性とペアの空間関係を共同でモデル化し、未整合要素を許容し、クエリされたレイアウトと整合した割り当てを優先する。 粗い段階では、その候補レベルの評価は、レイアウトに一貫性のあるサブマップ選択のための神経的類似性を補完する。 細かい段階では、コンテキストは隣接するサブマップからクエリ関連インスタンスで拡張され、PARCはオブジェクトレベルのマッチング重みを出力し、クロスモーダルな注意を導く。 KITTI360PoseとCityLocの大規模な実験により、PARC-Locは従来の粗大なベースラインよりも優れていることが示された。 KITTI360Poseでは、トップ1のローカライゼーションリコールを5mから0.50から0.67に改善し、最強のベースラインに対して34%の相対的なゲインを実現した。

関連論文リスト

• From Fragments to Global Maps: Learning Vectorized Map Aggregation with Large Language Models [57.34005676470192]
  大規模ベクトル化HDマップは、自律運転において知覚、局所化、計画に不可欠な構造化道路情報を提供する。 既存のアグリゲーション法は通常、フラグメントアソシエーションとリファインメントのための手作りのルールに依存している。 大規模言語モデルを用いた条件付きシーケンス生成としてベクトル化マップアグリゲーションを定式化するデータ駆動型フレームワークであるMapMergeLLMを提案する。
  論文  参考訳（メタデータ） (2026-10-01T21:35:52Z)
• PosEviLoc: Position-Conditioned Spatial Evidence for Language-Based 3D Localization [5.688091605184652]
  粗いテキスト-ポイント-クラウドローカライズのための問合せ対応フレームワークを提案する。 PosEviLocは、明示的な意味と空間的証拠を用いて、各候補のサブマップを評価する。 これは、対象位置と仮説的クエリ位置によって共同で決定される関係として方向をモデル化する。
  論文  参考訳（メタデータ） (2026-09-20T10:25:58Z)
• Room-Mediated Co-occurrence for Zero-Shot Object-Centric Semantic Navigation via Frontier Scoring [3.9457043990895895]
  ゼロショットのObjectNavメソッドは、視覚言語に先立って使われることが多いが、潜在空間における直接オブジェクトの類似性は、しばしば空間的共起の弱いプロキシである。 本稿では,コンパクトな部屋辞書を通じてオブジェクト関係を仲介する,分析・学習不要なセマンティックナビゲーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-28T08:36:26Z)
• Reference-Induced Consensus for Selective Posed-Reference Visual Localization [11.166886974945806]
  RIC-Locは、シーントレーニングなしのポーズ参照ローカライザである。 主推定器では、SfM-point-map-freeである。
  論文  参考訳（メタデータ） (2026-07-06T06:48:34Z)
• MGMapNet: Multi-Granularity Representation Learning for End-to-End Vectorized HD Map Construction [75.93907511203317]
  多粒性表現を持つ地図要素をモデル化するためのMGMapNet(Multi-Granularity Map Network)を提案する。 提案したMGMapNetは最先端のパフォーマンスを達成し,MapTRv2 を nuScenes で 5.3 mAP,Argoverse2 で 4.4 mAP で上回った。
  論文  参考訳（メタデータ） (2024-10-10T09:05:23Z)
• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Hierarchical Matching and Reasoning for Multi-Query Image Retrieval [113.44470784756308]
  マルチクエリ画像検索のための階層マッチング・推論ネットワーク(HMRN)を提案する。 MQIRを3つの階層的なセマンティック表現に分解し、きめ細かい局所的な詳細、文脈的グローバルスコープ、高レベルの固有の相関をキャプチャする責任を負う。 我々のHMRNは最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-06-26T07:03:56Z)
• LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context Propagation in Transformers [60.51925353387151]
  本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。 隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。 提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
  論文  参考訳（メタデータ） (2022-10-23T15:43:01Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。