論文の概要: PanoBench: A Panoptic Occupancy Prediction Benchmark for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.23537v1
- Date: Fri, 16 Oct 2026 14:34:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.954849
- Title: PanoBench: A Panoptic Occupancy Prediction Benchmark for Autonomous Driving
- Title（参考訳）: PanoBench: 自動運転のためのパノプティクスの運用予測ベンチマーク
- Abstract要約: PanoBenchは、合成および現実世界の運転シーンにまたがる、カメラ中心のパン光学占有率予測ベンチマークである。
PanoBench-CarlaOcc, PanoBench-nuScenes, PanoBench-KITTI360を標準データインターフェースと統一評価プロトコルを通じて組み合わせている。
実世界のデータに対して、新しいパイプラインは、幾何学的事前制約とトポロジ制約を使用してバックグラウンドを再構築し、マルチフレームのマルチビューイメージから前景メッシュ資産を生成し、それらをスパース・パノプティカル・ボクセルに融合する。
観察的忠実度、幾何学的完全性、空間的連続性、時間的一貫性の分析は、結果として得られるアノテーションの利点を示す
- 参考スコア（独自算出の注目度）: 48.93994266241185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Panoptic occupancy unifies 3D geometry, semantics, and instance identities, but its development is limited by scarce instance-aware annotations. Existing benchmarks mainly provide semantic labels reconstructed from incomplete sensor observations, while panoptic datasets have limited domain coverage or annotation completeness. We introduce PanoBench, a camera-centric panoptic occupancy prediction benchmark spanning synthetic and real-world driving scenes. It combines PanoBench-CarlaOcc, PanoBench-nuScenes, and PanoBench-KITTI360 through canonical data interfaces and unified evaluation protocols, providing multi-resolution annotations with persistent instance identities. The synthetic branch derives complete panoptic geometry from simulated meshes. For real-world data, a new pipeline reconstructs backgrounds using geometric priors and topology constraints, generates foreground mesh assets from multi-frame multi-view images, and fuses them into sparse panoptic voxels. A unified valid-mask protocol evaluates complete thing instances supported by temporal observations while scoring stuff regions at the voxel level. Analyses of observation fidelity, geometric completeness, spatial continuity, and temporal consistency demonstrate the benefits of the resulting annotations over existing occupancy benchmarks. We benchmark representative methods on semantic occupancy prediction, panoptic occupancy prediction, and 4D occupancy forecasting, and study voxel resolution, synthetic-to-real transfer, and storage efficiency. These results reveal complementary strengths of volumetric and ray-based metrics and persistent challenges in real-world instance-aware prediction. PanoBench is available at https://mias.group/PanoBench.
- Abstract（参考訳）: Panoptic cccupancyは3D幾何学、セマンティクス、インスタンスのアイデンティティを統一するが、その開発はインスタンス認識の少ないアノテーションによって制限される。
既存のベンチマークは主に、不完全なセンサー観測から再構成されたセマンティックラベルを提供するが、汎光学データセットはドメインカバレッジやアノテーションの完全性に制限がある。
パノベンチ(PanoBench)は、合成および実世界の運転シーンにまたがる、カメラ中心のパン光学占有率予測ベンチマークである。
PanoBench-CarlaOcc、PanoBench-nuScenes、PanoBench-KITTI360を標準データインターフェースと統一評価プロトコルを通じて組み合わせ、永続的なインスタンスIDを持つマルチレゾリューションアノテーションを提供する。
合成枝は、シミュレーションメッシュから完全な汎光学幾何学を導出する。
実世界のデータに対して、新しいパイプラインは、幾何学的事前制約とトポロジ制約を使用してバックグラウンドを再構築し、マルチフレームのマルチビューイメージから前景メッシュ資産を生成し、それらをスパース・パノプティカル・ボクセルに融合する。
統一されたバリデーションマスクプロトコルは、ボクセルレベルでモノの領域を評価しながら、時間観測によってサポートされている完全なモノのインスタンスを評価する。
観測忠実度、幾何学的完全性、空間的連続性、時間的一貫性の分析は、既存の占有ベンチマークに対して得られたアノテーションの利点を示している。
本稿では, 意味的占有予測, 汎視的占有予測, 4次元占有予測に関する代表的手法をベンチマークし, ボクセル分解能, 合成現実移動, 記憶効率について検討する。
これらの結果は、実世界のインスタンス認識予測におけるボリュームとレイベースのメトリクスの相補的な強みと永続的な課題を明らかにした。
PanoBenchはhttps://mias.group/PanoBench.comで入手できる。
関連論文リスト
- GPOcc++: Unified Sparse Gaussian Occupancy Prediction with Visual Geometry Priors [70.03915250336668]
我々はGPOccを導入し、視覚幾何学の先駆者を占領に意識したスパースガウス表現に変換する。
GPOcc上に構築されているGPOcc++は、統合されたフレームワーク内でのマルチビュー観測と時間シーケンスをモデル化する。
室内および屋外のベンチマークの実験は、多視点および時間的設定の両方で一貫して強い性能を示す。
論文 参考訳（メタデータ） (2026-07-15T06:21:25Z) - G$^2$TAM: Geometry Grounded Track Anything Model [49.05553245076823]
本稿では,RGB画像やビデオのみを用いて,3次元のインスタンス追跡を高速化するための統一的なフレームワークを提案する。
G$2$TAMは空間的に整列した幾何学的表現を暗黙記憶として使用し、安定したインスタンス識別とフレームとビュー間のローカライゼーションを保証する。
中心となるのは、視覚的およびテキスト的プロンプトを共有幾何学空間に統合し、エンドツーエンドの空間再構成とインスタンス一貫性マスク予測を可能にするクロスモーダル空間エンコーダである。
論文 参考訳（メタデータ） (2026-07-04T09:32:13Z) - An Instance-Centric Panoptic Occupancy Prediction Benchmark for Autonomous Driving [25.37985701473846]
本稿では,3次元パノプティカル占有予測タスクのインスタンス中心ベンチマークを提案する。
具体的には、自律運転に適した最初の統合3DメッシュライブラリであるADMeshを紹介する。
大規模で物理的に一貫した汎光学占有データセットであるCarlaOccを構築した。
論文 参考訳（メタデータ） (2026-03-28T11:22:31Z) - Geo-ID: Test-Time Geometric Consensus for Cross-View Consistent Intrinsics [37.614964138575935]
内在的な画像分解は、画像からアルベド、粗さ、および金属性などの物理ベースのレンダリングパラメータを推定することを目的としている。
ビデオベースのモデルは、クロスフレームの一貫性を改善することができるが、高密度で順序付けられたシーケンスと相当な計算を必要とする。
クロスビュー一貫した分解を生成するために,未学習の単視点予測器を本質的に再利用する新しいテストタイムフレームワークであるGeo-IDを提案する。
論文 参考訳（メタデータ） (2026-03-14T09:36:27Z) - GEBench: Benchmarking Image Generation Models as GUI Environments [49.513441724802135]
GUI生成における動的相互作用と時間的コヒーレンスを評価するためのベンチマークであるGEBenchを紹介する。
GE-Scoreは、ゴール達成、インタラクションロジック、コンテンツ一貫性、UIの可視性、視覚品質を評価する新しい5次元メトリックである。
そこで本研究では,アイコンの解釈,テキストレンダリング,局所化精度を重要なボトルネックとして認識した。
論文 参考訳（メタデータ） (2026-02-09T18:52:02Z) - Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。
具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。
これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
論文 参考訳（メタデータ） (2025-06-17T07:04:07Z) - PanoSSC: Exploring Monocular Panoptic 3D Scene Reconstruction for Autonomous Driving [15.441175735210791]
視覚中心の占有ネットワークは、セマンティクスを持った均一なボクセルで周囲の環境を表現する。
現代の占有ネットワークは主に、ボクセルのセマンティックな予測によって、物体表面から見えるボクセルを再構築することに焦点を当てている。
論文 参考訳（メタデータ） (2024-06-11T07:51:26Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳（メタデータ） (2022-04-14T17:59:32Z)
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。