論文の概要: MARS - A foundational map auto-regressor

• arxiv url: http://arxiv.org/abs/2610.20843v1
• Date: Wed, 14 Oct 2026 19:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.041477
• Title: MARS - A foundational map auto-regressor
• Title（参考訳）: MARS - 基本地図自動回帰器
• Abstract要約: 我々は、Map Auto-Regressor (MARS) という、最初のマップ基盤モデルを提案する。 MARSは、複数のポリリン道路網とポリゴンビルの両方を統一的に生成することができる。 我々は、インタラクティブな人間-イン-ザ-ループマップ生成と修正を可能にする「MARSとのチャット」機能を開発した。
• 参考スコア（独自算出の注目度）: 15.925416528079474
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Map generation tasks feature extensive non-structural vectorized data (e.g., points, polylines, and polygons) and thus pose significant challenges to common pixel-wise generative models. Conventional approaches use multiple stages, first segmenting these features at the pixel level and then performing vectorized post-processing, with errors and complexity compounding at each stage. Motivated by the recent success of auto-regressive language modeling, we propose the first map foundation model, named Map Auto-Regressor (MARS), that is capable of generating both multi-polyline road networks and polygon buildings in a unified manner. For training MARS, we collected to our knowledge the largest multi-class map extraction dataset totaling 3.4M examples, which we call MAP-3M. Across four road and building datasets, MARS outperforms or matches the performance of multistage baselines. Additionally, we develop a "Chat with MARS" capability that enables interactive human-in-the-loop map generation and correction, supported by the auto-regressive nature of our end-to-end approach. We release our MAP-3M dataset and project demo page at (1) https://huggingface.co/datasets/bag-lab/MAP-3M and (2) https://huggingface.co/spaces/bag-lab/MARS, respectively.
• Abstract（参考訳）: マップ生成タスクは、広範囲な非構造ベクトル化データ(例えば、点、ポリライン、ポリゴン)を特徴とし、一般的なピクセルワイド生成モデルに重大な課題をもたらす。 従来のアプローチでは複数のステージを使用し、まずこれらの機能をピクセルレベルで分割し、次にベクトル化された後処理を行い、各ステージでエラーと複雑性が複雑になる。 近年の自己回帰言語モデリングの成功に触発されて,マルチポリライン道路網と多角形建物の両方を統一的に生成できるマップ自動回帰器 (MARS) と呼ばれる最初のマップ基盤モデルを提案する。 我々は,MARSをトレーニングするために,MAP-3Mと呼ぶ計3.4万例の多クラス地図抽出データセットを収集した。 4つのロードとビルディングデータセットで、MARSはマルチステージベースラインのパフォーマンスより優れ、あるいは同等である。 さらに,エンド・ツー・エンド・エンド・アプローチの自己回帰的性質に支えられて,インタラクティブなヒューマン・イン・ザ・ループ・マップ生成と修正を可能にする「MARSによるチャット」機能を開発した。 1) https://huggingface.co/datasets/bag-lab/MAP-3M と (2) https://huggingface.co/spaces/bag-lab/MARS である。

関連論文リスト

• Modulate-and-Map: Crossmodal Feature Mapping with Cross-View Modulation for 3D Anomaly Detection [24.706105488382818]
  ModMapは3Dの異常検出とセグメンテーションのためのマルチビューおよびマルチモーダルフレームワークである。 高解像度の3Dデータを処理するために,基礎的な深度エンコーダをトレーニングし,公開する。
  論文  参考訳（メタデータ） (2026-04-02T17:59:51Z)
• UniMapGen: A Generative Framework for Large-Scale Map Construction from Multi-modal Data [9.404042291400069]
  本稿では,大規模な地図構築のための新しい生成フレームワークUniMapGenを提案する。 UniMapGenは、車線を textbfdiscrete シーケンスとして表現し、より完全で滑らかなマップベクトルを生成する反復戦略を確立する。 UniMapGenはOpenSatMapデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-26T12:26:33Z)
• IRSAMap:Towards Large-Scale, High-Resolution Land Cover Map Vectorization [37.95801085939]
  IRSAMapは、大規模、高解像度、多機能なランドカバーベクトルマッピングのための最初のグローバルリモートセンシングデータセットである。 IRSAMapには4つの大きな利点がある: 1) 一般的な10のオブジェクトの1.8万以上のインスタンスを持つ包括的なベクトルアノテーションシステム、2) 効率と一貫性を改善するために手動とAIベースの手法を組み合わせたインテリジェントなアノテーションワークフロー、3) 合計1000kmを超える6大陸79リージョンにわたるグローバルカバレッジ、4) ピクセルレベルの分類、ビルディングアウトライン抽出、道路中心線抽出、パノラマセグメンテーションといったタスクに対するマルチタスク適応性。
  論文  参考訳（メタデータ） (2025-08-22T10:14:18Z)
• CMT: A Cascade MAR with Topology Predictor for Multimodal Conditional CAD Generation [59.76687657887415]
  境界表現(B-Rep)に基づくCAD生成のための最初のマルチモーダルフレームワークであるトポロジ予測器(CMT)を用いたカスケードMARを提案する。 具体的には、カスケードMARは、B-Repsに必須のエッジカウンタ面の先行情報を効果的にキャプチャすることができる。 マルチモーダルアノテーション付きB-Repモデルを含む大規模マルチモーダルCADデータセットmmABCを開発した。
  論文  参考訳（メタデータ） (2025-04-29T14:52:28Z)
• MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
  本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。 結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
  論文  参考訳（メタデータ） (2024-06-13T17:59:30Z)
• ADMap: Anti-disturbance framework for reconstructing online vectorized HD map [9.218463154577616]
  本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。 点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-01-24T01:37:27Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• M3DeTR: Multi-representation, Multi-scale, Mutual-relation 3D Object Detection with Transformers [78.48081972698888]
  M3DeTRは、マルチスケールのフィーチャーピラミッドに基づいて、異なるポイントクラウド表現と異なる機能スケールを組み合わせたものです。 M3DeTRは、複数のポイントクラウド表現、機能スケール、およびトランスを使用してポイントクラウド間の相互関係を同時にモデル化する最初のアプローチです。
  論文  参考訳（メタデータ） (2021-04-24T06:48:23Z)

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。