論文の概要: Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes
- arxiv url: http://arxiv.org/abs/2610.18356v1
- Date: Tue, 13 Oct 2026 13:23:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.6197
- Title: Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes
- Title（参考訳）: Urbex: 都市規模の3Dシーンのためのエージェント空間グラウンド
- Abstract要約: Urbexは、都市規模の3Dシーンをインタラクティブなマルチビュー環境として表現し、VLMエージェントがランドマークを検索し、ローカルリージョンにズームインし、斜めのビューを作成し、接地したバウンディングボックスをコミットすることを可能にする。
このツール利用ポリシーをCityReferの強化学習で最適化し、スムーズなローカライゼーション報酬と軽量なシェーピング報酬を用いて効率的な探索を行う。
- 参考スコア（独自算出の注目度）: 23.330589935454483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: City-scale 3D grounding is commonly formulated as candidate ranking, which requires precomputed instance proposals and becomes inefficient in large outdoor scenes. We propose Urbex, an agentic vision-language framework that instead casts grounding as active spatial search. Urbex represents a city-scale 3D scene as an interactive multi-view environment, allowing a VLM agent to query landmarks, zoom into local regions, render oblique views, and commit a grounded bounding box. We optimize this tool-use policy with reinforcement learning on CityRefer, using smooth localization rewards and lightweight shaping rewards for efficient exploration. Experiments show that Urbex achieves the best Hit@1 and IoU on CityRefer, supports candidate-free grounding without ground-truth boxes, and is substantially faster than the strongest city-scale ranking baseline. Zero-shot results on STPLS3D-Refer further indicate improved cross-scene robustness.
- Abstract（参考訳）: 都市規模の3Dグラウンドは一般的に候補ランキングとして定式化されており、事前計算されたインスタンスの提案が必要であり、大規模な屋外シーンでは効率が悪くなる。
本稿では,アクティブな空間探索としてグラウンドをキャストするエージェント型視覚言語フレームワークであるUrbexを提案する。
Urbexは、都市規模の3Dシーンをインタラクティブなマルチビュー環境として表現し、VLMエージェントがランドマークをクエリし、ローカルリージョンに拡大し、斜めのビューをレンダリングし、接地したバウンディングボックスをコミットすることを可能にする。
このツール利用ポリシーをCityReferの強化学習で最適化し、スムーズなローカライゼーション報酬と軽量なシェーピング報酬を用いて効率的な探索を行う。
実験の結果、UrbexはCityReferで最高のHit@1とIoUを達成した。
STPLS3D-Referのゼロショット結果はさらに、クロスシーンロバスト性の向上を示している。
関連論文リスト
- PruneGround: Plug-and-play Spatial Pruning for 3D Visual Grounding [45.510721162264666]
3D Visual Groundingは、自然言語で記述された3Dシーンでターゲットオブジェクトをローカライズすることを目的としている。
既存のアプローチは通常、シーン全体を推論し、曖昧な予測と高い計算コストをもたらす。
3つのキーコンポーネント上に構築された3DVGのための効果的なプラグアンドプレイフレームワークPruneGroundを提案する。
論文 参考訳（メタデータ） (2026-06-30T05:21:11Z) - SemCityLoc: Aerial 6DoF Localization Using Semantic 3D City Models [51.121529170856064]
本研究では,空中ポーズ推定を再構成する意味幾何学的アライメントシステムSemCityLocを提案する。
粗い輪郭や密集したテクスチャをマッチングする代わりに、本手法は、セマンティックサーフェスとモノクルディープを軽量なセマンティック3Dビルディングモデルと整合させる。
実験は、既存のマップベースのアプローチよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-25T18:13:39Z) - CityGo: Lightweight Urban Modeling and Rendering with Proxy Buildings and Residual Gaussians [48.22146326647521]
CityGoは、テクスチャ化されたプロキシ幾何と周囲の3Dガウスアンを組み合わせたハイブリッドフレームワークで、空から見た都市景観のレンダリングを行う。
我々の表現はトレーニング時間を大幅に短縮し、平均1.4倍のスピードアップを実現し、純粋な3次元ガウススプラッティングアプローチに匹敵する視覚的忠実度を提供する。
論文 参考訳（メタデータ） (2025-05-27T11:24:08Z) - OpenCity3D: What do Vision-Language Models know about Urban Environments? [4.468922393753096]
視覚言語モデル(VLM)は3次元シーン理解に非常に有望であるが、主に屋内空間や自律運転に応用されている。
本研究は,多視点空中画像からの3次元再構成を活用することで,都市環境への利用を拡大する。
本稿では, 人口密度推定, 建築年齢分類, 不動産価格予測, 犯罪率評価, 騒音汚染評価などの高レベル課題に対処するOpenCity3Dを提案する。
論文 参考訳（メタデータ） (2025-03-21T01:11:21Z) - SplatLoc: 3D Gaussian Splatting-based Visual Localization for Augmented Reality [50.179377002092416]
より少ないパラメータで高品質なレンダリングが可能な効率的なビジュアルローカライズ手法を提案する。
提案手法は,最先端の暗黙的視覚的ローカライゼーションアプローチに対して,より優れた,あるいは同等なレンダリングとローカライゼーション性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T08:46:16Z) - CityGaussian: Real-time High-quality Large-Scale Scene Rendering with Gaussians [64.6687065215713]
CityGaussianは、大規模な3DGSのトレーニングとレンダリングを効率化するために、新しい分別/分別トレーニングアプローチとLevel-of-Detail(LoD)戦略を採用している。
我々のアプローチは最先端のレンダリング品質を実現し、大規模なシーンを全く異なるスケールで一貫したリアルタイムレンダリングを可能にする。
論文 参考訳（メタデータ） (2024-04-01T14:24:40Z)
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。