論文の概要: MeshBind: Point-to-Mesh Binding for Non-Rigid Scene Flow Automatic Annotation
- arxiv url: http://arxiv.org/abs/2610.12895v1
- Date: Fri, 09 Oct 2026 02:31:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.357745
- Title: MeshBind: Point-to-Mesh Binding for Non-Rigid Scene Flow Automatic Annotation
- Title（参考訳）: MeshBind:非リジッドシーンフロー自動アノテーションのためのポイント・ツー・メッシュバインディング
- Abstract要約: 非厳密なオブジェクトに対して,メッシュモデルを用いてポイント単位のシーンフローを生成する自動アノテーション手法であるMeshBindを提案する。
フローを可視化し、自動再計算による人間のメッシュ修正を可能にするインタラクティブなアノテーションツールである、SF-StudioにMeshBindを実装した。
また、パブリックなSUScapeデータセット上に構築された大規模なベンチマークであるSFBもリリースしました。
- 参考スコア（独自算出の注目度）: 6.271487653910087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scene flow estimation is essential for many autonomous driving (AD) and robotic applications, but obtaining ground-truth scene flow for non-rigid objects such as pedestrians is highly difficult. We present MeshBind, an automatic annotation method that uses mesh models to generate per-point scene flow for non-rigid objects. The novelty of this work is threefold: 1) developing a multi-view module that reconstructs an articulated mesh model from six surround cameras and registers it to the LiDAR frame; 2) developing a local-frame binding technique that attaches each point to the mesh via a per-triangle tangent-normal frame, invariant under rigid motion yet adaptive to articulated deformation; 3) developing a three-layer flow registration pipeline that combines ego-vehicle motion compensation, box binding, and mesh binding to produce full-scene per-point flow. We implement MeshBind in SF-Studio, an interactive annotation tool that visualises flow and allows human mesh corrections with automatic recomputation. We also release SFB (SUScape-Flow Benchmark), a large-scale benchmark built on the public SUScape dataset, covering 41k frames with per-point non-rigid pedestrian annotations and a Rigid/Semi-Rigid/Non-Rigid evaluation protocol. Experiments show that fine-tuning on SFB reduces three-way endpoint error (EPE) by 2-3x, and brings non-rigid EPE to the same level as rigid EPE.
- Abstract（参考訳）: 多くの自律走行(AD)やロボット用途にはシーンフロー推定が不可欠であるが,歩行者などの非剛体物体に対する地中トルースフローの取得は非常に困難である。
非厳密なオブジェクトに対して,メッシュモデルを用いてポイント単位のシーンフローを生成する自動アノテーション手法であるMeshBindを提案する。
この作品の斬新さは3倍です。
1)6つのサラウンドカメラから接続メッシュモデルを再構築し、それをLiDARフレームに登録する多視点モジュールの開発
2) 剛体運動下では不変だが, 調音変形に適応する, 三角形の接線正規フレームを介して各点をメッシュにアタッチする局所的フレーム結合法の開発。
3)Ego-vehicle運動補償,ボックスバインディング,メッシュバインディングを組み合わせた3層フロー登録パイプラインを開発し,ポイントあたりのフルシーンフローを生成する。
フローを可視化し、自動再計算による人間のメッシュ修正を可能にするインタラクティブなアノテーションツールである、SF-StudioにMeshBindを実装した。
また、パブリックなSUScapeデータセット上に構築された大規模ベンチマークであるSFB(SUScape-Flow Benchmark)もリリースし、ポイント単位の歩行者アノテーションとRigid/Semi-Rigid/Non-Rigid評価プロトコルを用いて41kフレームをカバーしています。
実験の結果,SFBの微細チューニングは3方向の終端誤差(EPE)を2～3倍に低減し,剛性EPEと同じレベルに非剛性EPEをもたらすことがわかった。
関連論文リスト
- Controllable Road Marking Generation [7.470200366429271]
我々は、乾燥可能なエリアマスクから欠落した中心領域マーキングレイアウトを合成する、制御可能な道路マーキング生成を導入する。
我々のベンチマークでは、決定論的、メタデータ由来のプロンプトと、車線分割、道路分割、歩行者横断という3つの出力チャネルを使用します。
我々は, (i) トポロジを意識した補助的損失を訓練したテキスト条件付き遅延整流 DiT を組み合わせた条件付き鳥眼ビュー (BEV) パイプラインを開発した。
このフレームワークは、シミュレーション可能な道路標識のバリエーション、自動マップ補完、早期のインフラ設計探索へのステップであると考えています。
論文 参考訳（メタデータ） (2026-10-05T04:15:43Z) - Meshy T2: Fast Native Mesh Generation with Flow Matching [8.108033268825832]
フローマッチングに基づいて構築された高速なネイティブメッシュ生成フレームワークであるMeshy T2を紹介する。
実験では、Meshy T2は最先端の幾何学的忠実性を達成し、中央値6秒でエンドツーエンドの画像・メシュ生成を完了する。
論文 参考訳（メタデータ） (2026-07-28T16:33:54Z) - KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - MeshFlow: Mesh Generation with Equivariant Flow Matching [99.07593100078935]
MeshFlowは三角形のメッシュを三角形のスープとして直接生成することを学ぶ。
三角形スープのキー対称性を尊重する等変最適輸送流マッチングモデルを採用する。
MeshFlowは、最先端の自動回帰メッシュジェネレータに匹敵するメッシュ品質を実現する。
論文 参考訳（メタデータ） (2026-06-22T15:35:30Z) - MeshLoom: Feed-Forward Non-Rigid Registration of Mesh Sequences [71.45325481648995]
MeshLoomは、メッシュシーケンス間の変形を再構築するフィードフォワード登録ネットワークである。
以上の結果から,MeshLoomは非厳密な登録における最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2026-06-15T17:51:38Z) - Exploiting Implicit Rigidity Constraints via Weight-Sharing Aggregation
for Scene Flow Estimation from Point Clouds [21.531037702059933]
本稿では,特徴量とシーンフローのアップサンプリングのための新しいウェイトシェアリングアグリゲーション(WSA)手法を提案する。
WSAは推定されたポーズやセグメンテーションされたオブジェクトに依存しておらず、構造歪みを避けるために暗黙的に剛性制約を強制することができる。
我々は、PointPWC-Netを修正し、提案したWSAおよび変形度モジュールを拡張されたPointPWC-Netに統合し、WSAFlowNetと呼ばれるエンドツーエンドのシーンフロー推定ネットワークを導出する。
論文 参考訳（メタデータ） (2023-03-04T16:55:57Z) - DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。
本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-01-15T09:31:58Z) - SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。
本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。
学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
論文 参考訳（メタデータ） (2021-05-10T15:16:14Z) - LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。
本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。
提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
論文 参考訳（メタデータ） (2020-11-24T08:44:46Z) - Hierarchical Attention Learning of Scene Flow in 3D Point Clouds [28.59260783047209]
本稿では,2つの連続する3次元点雲からのシーンフロー推定の問題について検討する。
隣接フレームにおける点特徴の相関を学習するために, 二重注意を有する新しい階層型ニューラルネットワークを提案する。
実験の結果,提案したネットワークは3次元シーンフロー推定の最先端性能より優れていた。
論文 参考訳（メタデータ） (2020-10-12T14:56:08Z)
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。