論文の概要: BridgeAfford: Bridging Query-Target Gap for Generalizable 3D Affordance Grounding

• arxiv url: http://arxiv.org/abs/2610.21918v1
• Date: Thu, 15 Oct 2026 14:03:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.103383
• Title: BridgeAfford: Bridging Query-Target Gap for Generalizable 3D Affordance Grounding
• Title（参考訳）: BridgeAfford: 汎用的な3D Affordance Groundingのためのクエリターゲットギャップのブリッジ
• Abstract要約: 言語誘導型3D測位基盤は、3Dオブジェクト上の機能領域をインタラクションの意図に応じてローカライズすることを目的としている。 既存の手法では、見えない物体への一般化が不十分である。 2つの相補的な視点からクエリとターゲットのセマンティックギャップを低減するフレームワークであるBridgeAffordを提案する。
• 参考スコア（独自算出の注目度）: 92.92650237741412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language-guided 3D affordance grounding aims to localize functional regions on 3D objects according to interaction intents. However, existing methods exhibit poor generalization to unseen objects. One challenge is the query-target gap: a semantic discrepancy between query features encoding interaction intents and target-region features, leading to inaccurate grounding. End-to-end training favors query representations tailored to seen objects, limiting their compatibility with shifted target-region features on unseen objects. To address this issue, we propose BridgeAfford, a framework that reduces the query-target semantic gap from two complementary perspectives. First, Interaction Region Alignment (IRA) promotes cross-object alignment among geometrically similar interaction regions during training. This enables structures on unseen objects that resemble previously observed ones to produce representations similar to those learned during training, facilitating target-region recognition. Second, Visual Evidence Aggregation (VEA) leverages a 2D affordance model to refine the attention distribution and guide the query toward the correct region, yielding more target-aware queries. Extensive experiments on the LASO and PIAD datasets demonstrate that BridgeAfford outperforms existing methods, particularly on unseen objects, highlighting its robust generalization ability.
• Abstract（参考訳）: 言語誘導型3D測位基盤は、3Dオブジェクト上の機能領域をインタラクションの意図に応じてローカライズすることを目的としている。 しかし、既存の手法では見えない対象への一般化が不十分である。 クエリとターゲットのギャップ: インタラクションインテントをエンコードするクエリ機能とターゲットリージョン機能とのセマンティックな相違により、不正確なグラウンド化が発生します。 エンドツーエンドのトレーニングでは、参照オブジェクトに適したクエリ表現が好まれており、非表示オブジェクト上のシフトターゲットリージョン機能との互換性が制限されている。 この問題に対処するために,2つの相補的な視点からクエリとターゲットのセマンティックギャップを低減するフレームワークであるBridgeAffordを提案する。 第一に、相互作用領域アライメント(IRA)は、トレーニング中に幾何学的に類似した相互作用領域間のクロスオブジェクトアライメントを促進する。 これにより、以前に観測されたオブジェクトに類似した未知のオブジェクトの構造が、トレーニング中に学んだものに似た表現を生成し、ターゲット領域認識を容易にすることができる。 第二に、ビジュアルエビデンス・アグリゲーション(VEA)は2次元のアベイランス・モデルを利用して、注意分布を洗練し、クエリを適切な領域へ誘導し、よりターゲット対応のクエリを得る。 LASOとPIADデータセットに関する大規模な実験は、BridgeAffordが既存のメソッド、特に見えないオブジェクトにおいて、その堅牢な一般化能力よりも優れていることを示した。

関連論文リスト

• EgoHieraLoc: A Cortically Inspired Hierarchical Segmentation-Guided Framework for Egocentric Visual Query Localization [9.547789251222838]
  ビジュアルクエリローカライゼーション(VQL)は、エゴセントリックなビデオでクエリ対象を検索し、再ローカライズすることを目的としている。 人間の視覚は階層的なプロセスを通じてあいまいさを扱う。 我々は,VQL-2DとVQL-3Dの統一フレームワークである textbfEgoHieraLoc を提案する。
  論文  参考訳（メタデータ） (2026-08-10T14:31:01Z)
• Improving Cross-view Object Geo-localization: A Dual Attention Approach with Cross-view Interaction and Multi-Scale Spatial Features [0.0]
  クロスビューオブジェクトのジオローカライゼーションは、最近、潜在的な応用により注目されている。 CVCAM(Cross-view and Cross-attention Module)を導入する。 また、"Ground-to-Drone"ローカライゼーションタスクのためのG2Dと呼ばれる新しいデータセットも作成します。
  論文  参考訳（メタデータ） (2025-10-31T03:28:59Z)
• GREAT: Geometry-Intention Collaborative Inference for Open-Vocabulary 3D Object Affordance Grounding [53.42728468191711]
  Open-Vocabulary 3D object affordance groundingは、任意の命令で3Dオブジェクト上のアクション可能性の領域を予測することを目的としている。 GREAT (GeometRy-intEntion collAboraTive Inference) を提案する。
  論文  参考訳（メタデータ） (2024-11-29T11:23:15Z)
• 3DRP-Net: 3D Relative Position-aware Network for 3D Visual Grounding [58.924180772480504]
  3Dビジュアルグラウンドは、自由形式の言語記述によって、ターゲットオブジェクトを3Dポイントクラウドにローカライズすることを目的としている。 3次元相対位置認識ネットワーク(3-Net)という,関係性を考慮した一段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T09:33:25Z)
• Grounding 3D Object Affordance from 2D Interactions in Images [128.6316708679246]
  接地した3Dオブジェクトは、3D空間内のオブジェクトの'アクション可能性'領域を見つけようとする。 人間は、実演画像やビデオを通じて、物理的世界の物体の余裕を知覚する能力を持っている。 我々は、異なるソースからのオブジェクトの領域的特徴を整合させる、インタラクション駆動の3D Affordance Grounding Network (IAG) を考案する。
  論文  参考訳（メタデータ） (2023-03-18T15:37:35Z)
• Cross Domain Object Detection by Target-Perceived Dual Branch Distillation [49.68119030818388]
  クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。 本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。 私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-05-03T03:51:32Z)

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。