論文の概要: DIGS: Distribution-Informed Gaussian Splatting for Training-Free Open-Vocabulary 3D Segmentation

• arxiv url: http://arxiv.org/abs/2610.16177v2
• Date: Sat, 17 Oct 2026 02:40:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:47:28.298346
• Title: DIGS: Distribution-Informed Gaussian Splatting for Training-Free Open-Vocabulary 3D Segmentation
• Title（参考訳）: DIGS: 自由開語彙3次元セグメンテーションのための分布インフォームドガウス平滑化
• Abstract要約: クラス非依存マッピングとマルチモーダル符号化という2段階のトレーニングフリーフレームワークであるDIGSを提案する。 DIGSはインスタンス発見を言語命名から切り離している。 トレーニングフリーのSFSとトレーニングベースのLaGaベースラインを越えている。
• 参考スコア（独自算出の注目度）: 16.95996642983133
• License:
• Abstract: Open-vocabulary 3D Gaussian segmentation typically binds semantic features to the per-Gaussian state via per-scene gradient training (1-4 h) or the more recent closed-form distillation. Both commit each primitive to a single feature; therefore, boundary Gaussians spanning multiple 2D instances are forced into a hard decision that degrades retrieval accuracy and yields unstable mask boundaries at render time. We present DIGS, a training-free framework with two stages, class-agnostic mapping and multi-modal encoding, that decouples instance discovery from linguistic naming. At the Gaussian level, our distribution-informed representation maintains an explicit top-$M$ label distribution per primitive, updated by a tempered Dirichlet rule; preservation of multi-peaked label distributions at boundary primitives allows a late-argmax renderer to recover clean instance boundaries. A bidirectional state machine aggregates these distributions into a persistent class-agnostic instance ontology. The instance-level encoding stage then fuses the CLIP visual embedding of each instance's isolated 3D footprint with the CLIP-text embedding of an LLM-generated attribute description, disambiguating visually similar instances. On a single A100, DIGS completes mapping and instance encoding on LERF-OVS in 1.0-3.2 min per scene, depending on whether LLM fusion is enabled, and serves native 3D queries in 5.4 ms. It reaches 71.95% mean mIoU on LERF-OVS, outperforming both the training-free SFS and training-based LaGa baselines. DIGS also achieves the highest mean mIoU on LERF-Mask and 3D-OVS and surpasses Gaga and ObjectGS on Replica under their respective evaluation protocols. Code is available at https://github.com/ZephyrZos/DIGS.
• Abstract（参考訳）: オープンボキャブラリー3Dガウスのセグメンテーションは、通常、シーンごとの勾配訓練 (1-4 h) またはより最近のクローズドフォーム蒸留(英語版)を通じて、ガウス状態のセマンティックな特徴をガウス状態に結合する。 どちらもプリミティブをひとつの特徴にコミットするため、複数の2Dインスタンスにまたがる境界ガウスは、精度を低下させ、レンダリング時に不安定なマスクバウンダリを生じるという難しい決定を強いられる。 言語的命名からインスタンス発見を分離する,クラス非依存マッピングとマルチモーダル符号化という,2段階のトレーニング不要フレームワークであるDIGSを提案する。 ガウスレベルでは、分布インフォームド表現はプリミティブごとのトップ$M$ラベル分布を明示的に維持し、ディリクレ規則によって更新する。 双方向状態マシンは、これらの分布を永続的なクラスに依存しないインスタンスオントロジーに集約する。 インスタンスレベルのエンコーディングステージは、各インスタンスの分離された3DフットプリントのCLIPビジュアル埋め込みと、LCMの生成した属性記述のCLIPテキスト埋め込みを融合し、視覚的に類似したインスタンスを曖昧にする。 1つのA100では、DIGSはLERF-OVS上のマッピングとインスタンスエンコーディングを1.0-3.2分で完了し、LLM融合が有効かどうかに応じて5.4msでネイティブ3Dクエリを提供する。 DIGSはLERF-Maskと3D-OVSのmIoUでも最高値に達し、それぞれの評価プロトコルでReplicaのGagaとObjectGSを上回っている。 コードはhttps://github.com/ZephyrZos/DIGSで入手できる。

関連論文リスト

• Geometry Without Coordinates: LiDAR Diffusion as a 3D Feature Bridge [0.0]
  既成2次元基礎モデルから擬似ラベルを訓練したLiDAR条件拡散モデルを提案する。 モデルはLiDARで条件付けされているため、出力と中間のUNet機能はインプットポイントクラウドに投影することができる。 我々は,この表現を,生空間座標を明示的に除いた点-雲空間で直接研究する。
  論文  参考訳（メタデータ） (2026-09-09T15:26:35Z)
• SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
  推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。 既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。 明示的なWhat-whereインターフェースであるSeGDePを提示する。
  論文  参考訳（メタデータ） (2026-09-08T15:11:32Z)
• Open-Vocabulary and Referring Segmentation for 3D Gaussians Using 2D Detectors [4.720025219010595]
  GaussDetは、個別のオープンな2Dオブジェクト検出器と参照表現機能を活用することで、密度の高いCLIP機能の必要性を回避する方法である。 我々のアプローチは、単純な言語クエリから複雑な参照グラウンドまで、単純でゼロショットの拡張を可能にします。
  論文  参考訳（メタデータ） (2026-06-29T17:58:41Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• Ilov3Splat: Instance-Level Open-Vocabulary 3D Scene Understanding in Gaussian Splatting [32.46353940664006]
  Ilov3Splatは3Dガウススプラッティング(3D-GS)上に構築されたインスタンスレベルのオープンな3Dシーン理解のためのフレームワーク 言語対応のCLIP機能を効率的にエンコードするために,マルチレゾリューションハッシュ埋め込みを活用している。 推論時に、CLIPエンコードされたクエリは学習した機能と一致し、続いて関連するガウスグループを取得するための2段階の3Dクラスタリングが続く。
  論文  参考訳（メタデータ） (2026-05-06T05:23:41Z)
• OpenInsGaussian: Open-vocabulary Instance Gaussian Segmentation with Context-aware Cross-view Fusion [89.98812408058336]
  textbfOpenInsGaussian, textbfOpen-vocabulary textbfInstance textbfGaussian segmentation framework with Context-aware Cross-view Fusion。 OpenInsGaussianは、オープン語彙の3Dガウスのセグメンテーションにおける最先端の結果を達成し、既存のベースラインを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2025-10-21T03:24:12Z)
• Rethinking End-to-End 2D to 3D Scene Segmentation in Gaussian Splatting [86.15347226865826]
  We design an new end-to-end object-aware lifting approach, called Unified-Lift。 コントラスト損失を用いて学習したガウスレベルの機能を各ガウス点に拡張し、インスタンス情報をエンコードする。 LERF-Masked、Replica、Messy Roomsの3つのベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2025-03-18T08:42:23Z)
• Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
  FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。 FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
  論文  参考訳（メタデータ） (2024-11-29T08:52:32Z)

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。