Fugu-MT 論文翻訳(概要): Uncertainty Gates the Gradient: Adaptive Updates for Generalized Few-Shot 3D Segmentation

論文の概要: Uncertainty Gates the Gradient: Adaptive Updates for Generalized Few-Shot 3D Segmentation

arxiv url: http://arxiv.org/abs/2610.26909v1
Date: Sat, 17 Oct 2026 04:05:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-21 21:58:47.382533
Title: Uncertainty Gates the Gradient: Adaptive Updates for Generalized Few-Shot 3D Segmentation
Title（参考訳）: 不確実性:一般化Few-Shot 3Dセグメンテーションのための適応的更新
Abstract要約: Uncertainty-Gated Adaptive (UGA)は、汎用的な数ショットの3Dポイントクラウドセグメンテーションのためのアップデートレベルのゲーティングに不確実性を高めるフレームワークである。 ScanNet200とScanNet++(1-/5-shot)では、UGAは、最強のベースラインに対して、平均+3.08 HM IoUで新しい最先端を設定できる。
参考スコア（独自算出の注目度）: 7.043550733105122
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In generalized few-shot 3D point cloud segmentation, support annotations are often compromised by sparsity and occlusion. Blindly adapting to such low quality samples risks learning spurious geometric patterns rather than robust novel concepts. Although 3D Vision-Language Models have been introduced to sup plement supervision, the potential of uncertainty to actively govern adaptation dynamics remains underexplored. Existing signal-level methods like loss reweight ing fail to prevent unreliable episodes from steering the optimization trajectory. To address this, we propose Uncertainty-Gated Adaptive (UGA), to the best of our knowledge the first framework that elevates uncertainty to update-level gating for generalized few-shot 3D point cloud segmentation. The core mod ule, Uncertainty-Gated Update (UG-Update), estimates episodic reliability via intra-class dispersion over merged support and pseudo-labeled novel supervision, and selectively gates residual gradient updates. This encourages the model to learn novel semantics from reliable episodes while attenuating updates during unreliable ones. Complementing this, we introduce an Uncertainty-Based Pseudo Label Filter (UB-Filter) to enforce learning from high-confidence dense signals. On ScanNet200 and ScanNet++ (1-/5-shot), UGA sets new state of the art with an average +3.08 HM IoU over the strongest prior baseline.
Abstract（参考訳）: 一般化された数ショットの3Dポイントクラウドセグメンテーションでは、サポートアノテーションは、しばしばスパーシリティとオクルージョンによって妥協される。このような低い品質のサンプルに盲目的に適応することは、堅牢な新しい概念ではなく、急激な幾何学的パターンを学ぶリスクを負う。 3Dビジョンランゲージモデルがスーパーパーメントの監督のために導入されたが、適応力学を積極的に制御する不確実性の可能性はまだ未定である。損失再重み付けのような既存の信号レベル手法では、信頼できないエピソードが最適化軌道を操縦するのを防ぐことができない。この問題に対処するため、我々はUncertainty-Gated Adaptive (UGA)を提案する。 The core mod ule, Uncertainty-Gated Update (UG-Update)は、統合サポートと疑似ラベル付き新規監督によるクラス内分散によるエピソード信頼性を推定し、残留勾配更新を選択的にゲートする。これにより、信頼できないエピソードの更新を減らしながら、信頼できるエピソードから新しいセマンティクスを学ぶことができる。これに補完して、高信頼密度信号からの学習を強制する不確実性に基づく擬似ラベルフィルタ(UB-Filter)を導入する。 ScanNet200とScanNet++(1-/5-shot)では、UGAは最強のベースラインに対して平均+3.08 HM IoUで新しい最先端を設定できる。

関連論文リスト

From Uncertainty to Stability and Fidelity: Guiding Sparse-View 3D Gaussian Splatting with Fisher Information [55.09838774957981]
3D Gaussian Splatting (3DGS) は新規な視点合成のための有望な技術として登場している。スパースビューのシナリオでは、3DGSは過度に適合する傾向があり、顕著なアーティファクトとレンダリング品質が低下する。本稿では,幾何的事前利用と正規化を定量的に導くために,フィッシャー情報を利用したスパースビュー3DGSを提案する。
論文参考訳（メタデータ） (2026-06-18T18:27:17Z)
AdvSplat: Adversarial Attacks on Feed-Forward Gaussian Splatting Models [16.115612700186023]
3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3D再構成のための強力なパラダイムとしてますます認識されている。最近出現したフィードフォワード3DGSモデルは、大規模な事前訓練後の入力ビューからの高速な再構築を可能にすることで、これらの制限に対処している。フィードフォワード3DGSに対する敵攻撃に関する最初の体系的研究であるAdvSplatを紹介する。
論文参考訳（メタデータ） (2026-03-24T19:48:23Z)
Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation [5.923682154394584]
汎用的な数ショットの3Dポイントクラウドセグメンテーションは、いくつかのアノテーションから新しいクラスに適応しつつ、ベースクラス上での強力なパフォーマンスを維持することを目的としている。本稿では,エントロピーベースの少数ショット正規化器を用いて階層型プロトタイプを学習する統一フレームワークであるHOP3Dを提案する。 ScanNet200とScanNet++の実験では、HOP3Dは一貫して最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2026-03-20T09:23:34Z)
Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文参考訳（メタデータ） (2025-08-28T07:09:21Z)
Ambiguity-aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning [65.94127546086156]
本稿では,ポイントクラウド上のセマンティックセマンティックセグメンテーションのための適応的マージン比較学習法を提案する。まず,両立度推定フレームワークにコントラスト学習を組み込んだAMContrast3Dを設計する。共同トレーニングの洞察に触発されて、並列にトレーニングされた2つのブランチとAMContrast3D++を統合することを提案する。
論文参考訳（メタデータ） (2025-07-09T07:00:32Z)
Exploring Test-Time Adaptation for Object Detection in Continually Changing Environments [20.307151769610087]
連続的テスト時間適応(CTTA)は、目標ドメインを継続的に変更するソーストレーニングモデルに徐々に適応する、有望な手法として登場した。我々は3つのコアコンポーネントを特徴とするAMRODについて,CTTAシナリオにおける検出モデルに対するこれらの課題に対処する。我々は,AMRODが既存の方法よりも優れている4つのCTTAオブジェクト検出タスクにおいて,AMRODの有効性を実証する。
論文参考訳（メタデータ） (2024-06-24T08:30:03Z)
Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-19T05:43:14Z)
GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文参考訳（メタデータ） (2022-07-06T06:26:17Z)
Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文参考訳（メタデータ） (2021-10-15T16:38:54Z)

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。