論文の概要: SIEVE: Overcoming Topological Obstruction in Equivariant Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2610.21087v1
• Date: Thu, 15 Oct 2026 01:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.120989
• Title: SIEVE: Overcoming Topological Obstruction in Equivariant Self-Supervised Learning
• Title（参考訳）: SIEVE:等変自己監督学習におけるトポロジ的障害の克服
• Abstract要約: SIEVEは、点雲の幾何学を不変スカラー埋め込みに圧縮するSE(3)等価な自己教師型フレームワークである。 実験では、SIEVEが定音マスクとノイズマスクが故障した場合の予測崩壊を回避していることを確認した。
• 参考スコア（独自算出の注目度）: 2.0490545177996373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We identify a theoretical incompatibility between 3D point cloud masked autoencoding and SE(3)-equivariant networks. We prove that standard masking triggers a topological collapse, effectively forcing the model to hallucinate orientation without a reference frame. To resolve this, we introduce SIEVE (Scalar Invariant Extraction Via Equivariance), an SE(3)-equivariant self-supervised framework that compresses point cloud geometry into invariant scalar embeddings. At its core is the spherical projection mask, which preserves global pose while obfuscating local semantics, sidestepping the obstruction by construction. Experiments confirm that SIEVE circumvents the predicted collapse where constant and noise masks fail. On downstream point cloud tasks, the resulting embeddings improve over coordinate-based baselines and hand-crafted geometric descriptors, with the largest gains on generalization to unseen shape categories.
• Abstract（参考訳）: 我々は,3次元点雲マスキングオートエンコーディングとSE(3)-等価ネットワークの理論的不整合性を同定する。 標準的なマスキングがトポロジカルな崩壊を引き起こすことを証明し、参照フレームを使わずにモデルを幻覚させる。 そこで本研究では,SIEVE(Scalar Invariant extract Via Equivariance, SE(3)-equivariant self-supervised framework, SE(3)-equivariant self-supervised framework, 点雲幾何学を不変スカラー埋め込みに圧縮する手法)を紹介する。 中心となるのは球面のプロジェクションマスクで、これは局所的な意味論を邪魔しながらグローバルなポーズを保ち、建設によって障害物を横取りする。 実験では、SIEVEが定音マスクとノイズマスクが故障した場合の予測崩壊を回避していることを確認した。 下流のクラウドタスクでは、結果として得られる埋め込みは座標ベースのベースラインや手作りの幾何学的記述子よりも改善され、一般化から見当たらない形状カテゴリーへの最大の利点がある。

関連論文リスト

• VGGT-Align: Bridging Local Reconstruction and Global Consistency for Long-Sequence 3D Reconstruction [8.983872448985627]
  本稿では,シーンを駆動するなどの構造的環境において,時間的セグメント間での幾何量の変化は本質的に不変である,という重要な洞察に基づいて構築されたスケール一貫性向上フレームワークを提案する。 SGIA(Scene Geometric Invariant Anchoring)を提案する。 複数のロングシーケンスベンチマークの実験では、最先端の性能を示し、絶対軌道誤差を最大32%削減し、軌道安定性と復元品質を大きく向上させた。
  論文  参考訳（メタデータ） (2026-08-15T14:32:55Z)
• SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation [54.98864436812187]
  本稿では,1つのRGB-D観測から標準幾何,剛部分セグメンテーション,関節ピボット,軸,調音状態を推定する自己教師型フレームワークを提案する。 合成および実調音オブジェクトデータセットの実験により、SCAPOは、一貫した部分構造と正確な調音パラメータを復元し、全ての自監督ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T09:04:49Z)
• SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments [75.60795462502949]
  SpaceEvoは3D空間推論のための自己進化型フレームワークである。 16の空間推論タスクカテゴリを明示的な幾何学的検証規則で定式化する。 注釈のない3Dシーンをゼロノイズのインタラクティブなオラクルに変換し、モデルコンセンサスを客観的な物理的フィードバックに置き換える。
  論文  参考訳（メタデータ） (2026-04-15T17:59:12Z)
• Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds [2.475488961586926]
  我々は、ポイントクラウド深層学習のための最初のトポロジ駆動の対向攻撃を導入する。 我々の重要な洞察は、3Dオブジェクトのホモロジー構造が、これまで探索されていなかった脆弱性表面を構成することである。 実験により、微妙なトポロジー駆動による摂動は、常に最大100%の攻撃成功率を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-10T20:13:45Z)
• Beyond Random Masking: A Dual-Stream Approach for Rotation-Invariant Point Cloud Masked Autoencoders [12.855143988860187]
  既存の回転不変点クラウドマスキングオートエンコーダは、幾何学的構造とセマンティックコヒーレンスを見下ろすランダムマスキング戦略に依存している。 本稿では3次元空間格子マスキングとプログレッシブ・セマンティック・マスキングを組み合わせた二重ストリームマスキング手法を提案する。 我々の戦略は、アーキテクチャの変更なしに既存の回転不変フレームワークに統合され、異なるアプローチで広範な互換性が保証されます。
  論文  参考訳（メタデータ） (2025-09-18T14:06:13Z)
• Geometrically Constrained and Token-Based Probabilistic Spatial Transformers [5.437226012505534]
  我々は、トランスフォーマーベースのビジョンパイプラインの標準化ツールとして、空間トランスフォーマーネットワーク(STN)を再考する。 本稿では、堅牢性を向上させる確率的、コンポーネントワイドな拡張を提案する。 本手法が他のSTNと比較して頑健さを常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-14T11:30:53Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Unsupervised Dense Deformation Embedding Network for Template-Free Shape Correspondence [18.48814403488283]
  現在のディープラーニングベースの手法では、ポイント単位の翻訳を学習するために、高密度アノテーションの監督が必要である。 本研究では,密集した局所特徴から非剛体形状間の変形を予測できる新しい非教師なし変形埋め込みネットワーク(UD2E-Net)を開発した。 我々のUD2E-Netは、ファウストインターチャレンジで24%、ファウストイントラチャレンジで13%、教師なし手法で24%、最先端の非教師なし手法より優れています。
  論文  参考訳（メタデータ） (2021-08-26T07:07:19Z)
• ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
  我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。 以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
  論文  参考訳（メタデータ） (2020-05-24T00:03:27Z)
• Quaternion Equivariant Capsule Networks for 3D Point Clouds [58.566467950463306]
  本稿では,3次元回転と翻訳に同値な点雲を処理するための3次元カプセルモジュールを提案する。 カプセル間の動的ルーティングをよく知られたWeiszfeldアルゴリズムに接続する。 オペレーターに基づいて、ポーズから幾何学をアンタングルするカプセルネットワークを構築します。
  論文  参考訳（メタデータ） (2019-12-27T13:51:17Z)

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。