論文の概要: RecallGS: Geometry-Grounded Recall for Online Semantic Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2610.31293v1
- Date: Thu, 22 Oct 2026 13:55:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.393908
- Title: RecallGS: Geometry-Grounded Recall for Online Semantic Gaussian Splatting
- Title（参考訳）: RecallGS: オンライン・セマンティック・ガウス・スプレイティングのための幾何学が取り巻くリコール
- Abstract要約: RecallGSは、過去の観測を非パラメトリックな幾何学的セマンティック先行として扱う、軽量でトレーニング不要なメカニズムである。
ScanNetとScanNet++では、RecallGSは2.48 FPSで強力なセマンティックセグメンテーション性能を達成する。
- 参考スコア（独自算出の注目度）: 9.002400034836967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online semantic 3D Gaussian Splatting (3DGS) enables open-vocabulary scene understanding from streaming observations. However, existing methods recover geometric context missing from image-derived semantic features using an additionally learned 3D network, incurring extra training and runtime overhead. We observe that such geometric-semantic evidence may already exist in the agent's observation history and can be retrieved rather than learned. Based on this insight, we introduce RecallGS (Geometry-Grounded Recall for Online Semantic Gaussian Splatting), a lightweight, training-free mechanism that treats past observations as a non-parametric geometric-semantic prior. RecallGS follows a recall-ground-fuse pipeline: CLIP retrieves relevant observations, alpha-compositing weights identify geometrically supported views, and aggregate their semantic features over each Gaussian's rendered footprint. On ScanNet and ScanNet++, RecallGS achieves strong semantic segmentation performance at 2.48 FPS, demonstrating that geometric-semantic context can be effectively recovered from observation history without an additional learned 3D branch.
- Abstract（参考訳）: オンラインセマンティックな3Dガウススティング(3DGS)により、ストリーミング観測からオープン語彙のシーン理解が可能になる。
しかし、既存の手法では、追加学習された3Dネットワークを使用して、画像由来のセマンティック機能から欠落した幾何学的コンテキストを復元し、追加のトレーニングと実行時のオーバーヘッドを発生させる。
このような幾何学的意味的証拠は、エージェントの観察履歴にすでに存在しており、学習するよりも回収することができる。
この知見に基づいて、過去の観測を非パラメトリックな幾何学的セマンティック先行として扱う軽量でトレーニング不要なメカニズムであるRecallGS(Geometry-Grounded Recalled Online Semantic Gaussian Splatting)を紹介する。
CLIPは関連する観測結果を取得し、α合成重み付けにより幾何学的にサポートされているビューを特定し、各ガウスの描画されたフットプリントにそれらのセマンティックな特徴を集約する。
ScanNetとScanNet++では、RecallGSは2.48 FPSで強力なセマンティックセグメンテーション性能を達成し、幾何学的意味論的コンテキストを3Dブランチを追加することなく観測履歴から効果的に回収できることを示した。
関連論文リスト
- Learning Propagation Geometry from Message-Passing Feedback [58.684834960683226]
GeoFは、メッセージパッシングフィードバックを通じてノード機能と伝搬幾何学を進化させる、反復的なフレームワークである。
ベンチマークデータセットの実験は、GeoFが最先端のGNNベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-28T09:22:49Z) - TRACE-GS: On-Policy Trajectory Distillation with Privileged Geometric Conditioning for Sparse-View 3DGS Restoration [17.435410648031297]
TRACE-GSはスパースビュー3DGS推論のためのオンライントラジェクトリー蒸留フレームワークである。
軽視された3DGS復元のための特権的幾何学から、政治上の監督を引き出すのが最初である。
論文 参考訳（メタデータ） (2026-08-10T22:43:06Z) - OpenGaFF: Open-Vocabulary Gaussian Feature Field with Codebook Attention [80.51557267896938]
オープンな3Dシーン理解のための新しいフレームワークであるOpenGaFFについて述べる。
我々の手法の中核はガウス的特徴場であり、ガウス幾何学と外見の連続関数として意味論をモデル化する。
オブジェクトレベルのセマンティック一貫性をさらに強化するために、共有セマンティックプリミティブのセットとして機能する構造化コードブックを導入する。
論文 参考訳（メタデータ） (2026-05-07T12:10:07Z) - GeoGuide: Hierarchical Geometric Guidance for Open-Vocabulary 3D Semantic Segmentation [38.12499404546835]
オープンな3次元セグメンテーションのための階層的幾何-セマンティック整合性を統合するフレームワークであるGeoGuideを提案する。
具体的には,不確実性に基づくスーパーポイント蒸留モジュールを導入し,幾何学的特徴と意味的特徴を融合させる。
ScanNet v2、Matterport3D、nuScenesに関する実験は、GeoGuideの優れた性能を示している。
論文 参考訳（メタデータ） (2026-03-27T10:29:19Z) - GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models [70.61152292499737]
このギャップは、幾何学的事前の不足から生じるものではなく、訓練パラダイムの誤った調整から生じるものである、と我々は主張する。
既存のアプローチでは、通常、特徴の結合を示唆し、幾何学的な監督なしに下流のタスクを直接最適化する。
本稿では,下流適応前の構造知覚を明示的に活性化する幾何学的事前学習パラダイムであるGAP-MLLMを提案する。
論文 参考訳（メタデータ） (2026-03-17T12:43:48Z) - Learning Human Visual Attention on 3D Surfaces through Geometry-Queried Semantic Priors [0.0]
本稿では,幾何処理と意味認識の相互作用を形式化する2重ストリームアーキテクチャであるSemGeo-AttentionNetを紹介する。
我々は、強化学習を通じて時間的スキャンパス生成にフレームワークを拡張した。
SAL3D, NUS3D, 3DVAデータセットの評価は大幅に改善されている。
論文 参考訳（メタデータ） (2026-02-06T06:15:38Z) - GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。
3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。
遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
論文 参考訳（メタデータ） (2025-10-02T16:37:56Z) - AutoOcc: Automatic Open-Ended Semantic Occupancy Annotation via Vision-Language Guided Gaussian Splatting [46.677120329555486]
AutoOccはセマンティック占有アノテーションのためのビジョン中心の自動パイプラインである。
オープンエンドなセマンティックな3D占有の再構築タスクを定式化し、シーン占有を自動的に生成する。
我々のフレームワークは、人間のラベルを使わずに、既存の自動占有アノテーション手法より優れています。
論文 参考訳（メタデータ） (2025-02-07T14:58:59Z) - Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。
FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
論文 参考訳（メタデータ） (2024-11-29T08:52:32Z) - Zero-shot point cloud segmentation by transferring geometric primitives [68.18710039217336]
ゼロショットポイントクラウド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について検討し、そこではネットワークが見えないオブジェクトに対してトレーニングされ、見えないオブジェクトをセマンティクスできる。
本研究では,視覚的および視覚的カテゴリーのオブジェクトで共有される幾何学的プリミティブを学習し,言語と学習された幾何学的プリミティブとの微粒なアライメントを利用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-18T15:06:54Z)
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。