論文の概要: PanoGraphGS: Unifying Panoptic Segmentation and Hierarchical 3D Scene Graphs with Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.27696v1
• Date: Tue, 20 Oct 2026 06:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.66979
• Title: PanoGraphGS: Unifying Panoptic Segmentation and Hierarchical 3D Scene Graphs with Gaussian Splatting
• Title（参考訳）: PanoGraphGS:Gaussian SplattingによるPanoptic Segmentationと階層型3D Scene Graphの統合
• Abstract要約: 3次元シーングラフは、物理エンティティとその包摂関係と空間関係を階層地図にまとめることで、言語誘導ナビゲーションをサポートする。 パノグラフGSは3次元ガウス表現学習と階層的な3次元シーングラフ構築を統合した統合フレームワークである。 3Dシーングラフの識別において、PanoGraphGSは、ReplicaとNaviGSの平均50%以上の精度で、オブジェクトノードの精度において最も評価されたベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 23.714430236598858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D scene graphs support language-guided navigation by organizing physical entities and their containment and spatial relations into hierarchical maps. Building such structured maps requires a scene representation that consistently distinguishes semantic regions and object instances across viewpoints. To this end, we present PanoGraphGS, a unified framework that integrates panoptic 3D Gaussian representation learning with hierarchical 3D scene graph construction. The framework learns semantic and instance features on shared Gaussian geometry. Prototype-based semantic learning and association-based instance learning produce consistent panoptic predictions across viewpoints. The learned representation supports novel-view panoptic segmentation and direct Gaussian-level panoptic decoding. A semantic-aware scene graph module further recovers a floor-room-stuff-object hierarchy with containment and spatial relations. We further release NaviGS, a real-world dataset for panoramic scene understanding. The dataset provides 3DGS, mesh, RGB, semantic, and depth data. For 3D scene graph identification, PanoGraphGS outperforms the strongest evaluated baseline in object-node accuracy by more than 50\% points on average across Replica and NaviGS. PanoGraphGS also achieves state-of-the-art performance among the evaluated methods in 2D panoptic segmentation. These results demonstrate the effectiveness of PanoGraphGS in both hierarchical 3D scene understanding and 2D panoptic segmentation. The project website is available at: https://github.com/gaojh0333/PanoGraphGS.
• Abstract（参考訳）: 3次元シーングラフは、物理エンティティとその包摂関係と空間関係を階層地図にまとめることで、言語誘導ナビゲーションをサポートする。 このような構造化マップの構築には、視点を越えてセマンティックな領域とオブジェクトインスタンスを一貫して区別するシーン表現が必要である。 この目的のために,パノグラフGSは,パノプティカルな3次元ガウス表現学習と階層的な3次元シーングラフ構築を統合した統合フレームワークである。 このフレームワークは共有ガウス幾何学のセマンティックとインスタンスの特徴を学習する。 プロトタイプに基づくセマンティックラーニングとアソシエーションに基づくインスタンスラーニングは、視点間で一貫したパノプティクス予測を生成する。 学習された表現は、ノベルビュー・パノプティクス・セグメンテーションとガウスレベル・パノプティクス・デコーディングをサポートする。 セマンティック・アウェア・シーングラフモジュールは、さらに囲い込みと空間関係を持ったフロアルーム・スタッフオブジェクト階層を復元する。 さらに私たちは,パノラマシーン理解のための現実的なデータセットであるNaviGSをリリースしています。 データセットは3DGS、メッシュ、RGB、セマンティック、ディープデータを提供する。 3Dシーングラフの識別において、PanoGraphGSは、ReplicaとNaviGSの平均50%以上の精度で、オブジェクトノードの精度において最も評価されたベースラインを上回っている。 パノグラフGSは2次元パノプティカルセグメンテーションにおける評価手法の最先端性能も達成している。 これらの結果は,階層的な3次元シーン理解と2次元パノグラフのセグメンテーションにおけるパノグラフGSの有効性を示した。 プロジェクトのWebサイトは、https://github.com/gaojh0333/PanoGraphGS.comで公開されている。

関連論文リスト

• SceneGraphGrounder: Zero-Shot 3D Visual Grounding via Structured Scene Graph Matching [2.4737219202679808]
  SceneGrapherは,再構成された3次元シーングラフ上の構造化グラフマッチングとして3次元グラウンドを再構成するフレームワークである。 我々は,移動ロボットによる実世界展開によるフレームワークの実証を行い,長距離物理環境における堅牢な空間推論を実証した。
  論文  参考訳（メタデータ） (2026-05-20T22:30:51Z)
• Open-Vocabulary Indoor Object Grounding with 3D Hierarchical Scene Graph [0.0]
  OVIGo-3DHSGは階層的なシーングラフ上の広い屋内環境を表す。 階層的表現は、床、部屋、場所、オブジェクト間の空間関係を明示的にモデル化する。 提案手法は,既存の手法と比較して,効率的なシーン理解とロバストなオブジェクトグラウンド化を実証する。
  論文  参考訳（メタデータ） (2025-07-16T10:47:12Z)
• SGAligner : 3D Scene Alignment with Scene Graphs [84.01002998166145]
  3Dシーングラフの構築は、いくつかの具体的AIアプリケーションのためのシーン表現のトピックとして登場した。 オーバーラップ可能な3次元シーングラフのペアをゼロから部分的に整列させるという基本的な問題に着目する。 そこで我々はSGAlignerを提案する。SGAlignerは3次元シーングラフのペアを組合わせるための最初の方法であり、その組込みシナリオに対して堅牢である。
  論文  参考訳（メタデータ） (2023-04-28T14:39:22Z)
• SceneGraphFusion: Incremental 3D Scene Graph Prediction from RGB-D Sequences [76.28527350263012]
  rgb-dフレームのシーケンスを与えられた3次元環境から意味的シーングラフを漸進的に構築する手法を提案する。 我々は、グラフニューラルネットワークを用いて、プリミティブシーンコンポーネントからpointnet機能を集約する。 提案手法は,35hzで動作する他の3dセマンティクスおよびパンオプティカルセグメンテーション法と同等の精度で,高いマージンで3dシーングラフ予測手法を上回る。
  論文  参考訳（メタデータ） (2021-03-27T13:00:36Z)
• Learning 3D Semantic Scene Graphs from 3D Indoor Reconstructions [94.17683799712397]
  我々は、グラフ内のシーンのエンティティを整理するデータ構造であるシーングラフに焦点を当てる。 本研究では,シーンの点雲からシーングラフを回帰する学習手法を提案する。 本稿では,3D-3Dおよび2D-3Dマッチングの中間表現としてグラフが機能するドメインに依存しない検索タスクにおける本手法の適用について述べる。
  論文  参考訳（メタデータ） (2020-04-08T12:25:25Z)

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。