論文の概要: FM-Occ: Feature-Diverse Upsampling and Memory-Aware Decoding for 3D Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2610.29388v1
• Date: Wed, 21 Oct 2026 08:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.287379
• Title: FM-Occ: Feature-Diverse Upsampling and Memory-Aware Decoding for 3D Occupancy Prediction
• Title（参考訳）: FM-Occ:3次元動作予測のための特徴分散アップサンプリングとメモリ・アウェア・デコーディング
• Abstract要約: 3Dセマンティック占有予測は、シーン全体のボクセル的占有率とセマンティックラベルを推定する。 従来のスパース・トランスフォーメーション・コンボリューション・アップサンプリングは、低分化ボキセル反応をもたらす。 3次元職業予測(FM-Occ)のための特徴量逆アップサンプリングとメモリ・アウェア・デコーディングを提案する。
• 参考スコア（独自算出の注目度）: 6.163663905194599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D semantic occupancy prediction estimates voxel-wise occupancy and semantic labels throughout a scene. Our experiments reveal that conventional sparse transposed-convolution upsampling yields poorly differentiated voxel responses and that successive decoder layers discard previously correct semantic predictions. To address these issues, we present Feature-Diverse Upsampling and Memory-Aware Decoding for 3D Occupancy Prediction (FM-Occ), comprising two components. First, 3D Sparse Subvoxel Shuffle (3S) mitigates feature homogenization by constructing candidate child features in the channel dimension, jointly transforming and normalizing them, and then rearranging them onto a finer sparse grid with explicit feature-coordinate correspondence. Second, Entropy-Regulated Layer-wise Memory (ER-LM) retains semantic information across decoder layers by maintaining a layer-wise memory for each query through gated recurrent updates and using prediction entropy to regulate the historical information propagated to the next layer. During training, a class-weighted entropy loss Lcwe provides label-guided regularization for matched semantic queries. On SemanticKITTI, 3S increases the spatial coefficient of variation of normalized voxel-wise root-mean-square (RMS) responses from 0.41% to 4.03%, while ER-LM reduces semantic degradation and improves error correction across decoder layers. The combined FM-Occ improves mIoU from 12.16% to 12.73% with negligible memory overhead. ER-LM further improves mIoU in the BEV-based DISC framework from 16.78% to 17.17%, supporting its applicability across 3D voxel-based and BEV-based architectures.
• Abstract（参考訳）: 3Dセマンティック占有予測は、シーン全体のボクセル的占有率とセマンティックラベルを推定する。 提案実験により,従来のスパース変換畳み込みアップサンプリングはボクセル応答の相違をなくし,逐次デコーダ層が前もって正しい意味予測を破棄することを明らかにする。 これらの問題に対処するために,2つのコンポーネントからなる3D Occupancy Prediction (FM-Occ) のためのFeature-Diverse Upsampling and Memory-Aware Decodingを提案する。 第一に、3Dスパース・サブボクセル・シャッフル(3S)は、チャネル次元における候補子の特徴を構築し、それらを共同変換し、正規化し、明示的な特徴調整対応でより細いスパースグリッドに再配置することで、特徴均質化を緩和する。 第二に、エントロピー制御されたレイヤワイドメモリ(ER-LM)は、ゲートされたリカレント更新を通じて各クエリに対するレイヤワイドメモリを維持し、予測エントロピーを使用して、次のレイヤに伝播する履歴情報を規制することにより、デコーダ層全体のセマンティック情報を保持する。 トレーニング中、クラス重み付きエントロピー損失Lcweは、マッチしたセマンティッククエリに対してラベル付き正規化を提供する。 SemanticKITTI では、3S は正規化されたvoxel-wise root-mean-square (RMS) 応答の空間係数を 0.41% から 4.03% に増加させ、ER-LM は意味的劣化を低減し、デコーダ層間の誤差補正を改善する。 FM-Occの組み合わせによりmIoUは12.16%から12.73%に改善され、メモリオーバーヘッドは無視できる。 ER-LMは、BEVベースのdisCフレームワークのmIoUをさらに16.78%から17.17%に改善し、3DボクセルベースおよびBEVベースのアーキテクチャで適用可能である。

関連論文リスト

• Uncertainty-Aware RL-Controlled Adaptive 3D Mapping [67.64575926364144]
  ボクセルを用いた体積マッピングは3次元再構成の基礎となる。 固定解像度グリッドは本質的に非効率である。 セマンティックエントロピーに基づいてボクセルを改良する適応型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-17T17:53:51Z)
• Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence [78.1406635199656]
  Holi-Spatialは、人間の介入なしに生のビデオ入力から構築された、初めて完全に自動化され、大規模で、空間対応のマルチモーダルデータセットである。 Holi-Spatial-4Mは、12K最適化された3DGSシーン、1.3Mの2Dマスク、320Kの3Dバウンディングボックス、320Kのインスタンスキャプション、1.2Mの3Dグラウンドインスタンス、1.2Mの空間QAペアを含む、最初の大規模で高品質な3Dセマンティックデータセットである。
  論文  参考訳（メタデータ） (2026-03-08T14:49:20Z)
• SUG-Occ: An Explicit Semantics and Uncertainty Guided Sparse Learning Framework for Real-Time 3D Occupancy Prediction [5.730573889498275]
  SuG-Occは明示的なセマンティックスと不確実性ガイドによるスパース学習を可能とした3D職業予測フレームワークである。 まず、ビュー変換時の自由空間からの射影を抑えるために、意味的および不確実性事前を利用する。 次に、幾何整合性を高めるために明示的な符号なし距離符号化を用い、構造的に一貫したスパース3D表現を生成する。
  論文  参考訳（メタデータ） (2026-01-16T16:07:38Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing [0.2624902795082451]
  本稿では,3段階の自己教師型ウェーブレットニューラルネットワークSWANについて紹介する。 この考え方は、自己教師付き学習パラダイムを用いて得られた不変かつ共変な特徴から潜在対称性を利用する。 信号対雑音比の異なる2つのベンチマーク合成データセットと3つの実ベンチマークハイパースペクトルデータセットで実験を行った。
  論文  参考訳（メタデータ） (2025-10-26T10:05:48Z)
• Beyond the Final Layer: Hierarchical Query Fusion Transformer with Agent-Interpolation Initialization for 3D Instance Segmentation [33.58208166717537]
  3Dインスタンスセグメンテーションは、シーン内のオブジェクトインスタンスのセットを予測し、対応するセマンティックラベルを持つバイナリフォアグラウンドマスクとして表現することを目的としている。 トランスをベースとした手法は、エレガントなパイプライン、幾何学的特性のマニュアル選択の削減、性能の向上などにより、注目を集めている。
  論文  参考訳（メタデータ） (2025-02-06T15:19:48Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)

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。