論文の概要: Point-Level Refinable Semantic Mapping for Spatial Understanding

• arxiv url: http://arxiv.org/abs/2610.31476v1
• Date: Thu, 22 Oct 2026 16:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.469425
• Title: Point-Level Refinable Semantic Mapping for Spatial Understanding
• Title（参考訳）: 空間理解のための点レベル精細セマンティックマッピング
• Abstract要約: オブジェクト表現を連続的に洗練するオンライン精錬可能なセマンティックマッピングフレームワークを提案する。 また,Replicaでは3.46%,ScanNetでは2.55%のマッピング精度が向上した。 本フレームワークは,オブジェクトナビゲーションに有効な空間記憶を提供し,82.4%,76.7%の成功率で質問応答を具体化する。
• 参考スコア（独自算出の注目度）: 5.636412346506415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-vocabulary 3D semantic maps have emerged as a key spatial memory representation for long-horizon robot autonomy, enabling robots to reason about objects, their spatial relationships, and past observations across time. However, existing object-centric semantic maps are primarily designed for static environments and rely on an append-only point integration strategy, where newly observed points are accumulated but previously integrated points are rarely reevaluated. Consequently, perception errors accumulate over time, and outdated points persist after objects move or disappear. Although recent dynamic mapping methods update object-level representations in changing scenes, they do not explicitly revise noisy or obsolete points within each object. We propose an online refinable semantic mapping framework that continuously refines object representations through probabilistic point-level confidence updating. Each object point maintains a confidence score that is updated online using multi-view temporal evidence: consistent observations reinforce reliable points, while inconsistent segmentation masks, depth measurements, and visibility cues suppress spurious and outdated points. Combined with object tracking and re-identification to preserve instance identities under motion and relocation, our framework enables object-centric semantic maps to be continuously refined rather than monotonically accumulated. Experiments demonstrate improved mapping accuracy over the previous method by 3.46% on Replica and 2.55% on ScanNet, show robustness in dynamic environments and under perception noise, and provide an effective spatial memory for object navigation and embodied question-answering with success rates of 82.4% and 76.7%.
• Abstract（参考訳）: オープンボキャブラリー3Dセマンティックマップは、長い水平ロボットの自律性のための重要な空間記憶表現として登場し、ロボットが物体、それらの空間的関係、過去の観察を時間にわたって理解できるようにする。 しかし、既存のオブジェクト中心のセマンティックマップは主に静的環境向けに設計されており、新たに観測されたポイントが蓄積されるが、以前の統合されたポイントが再評価されることは滅多にない追加のみのポイント統合戦略に依存している。 その結果、知覚エラーは時間の経過とともに蓄積され、オブジェクトが移動したり消えたりすると、時代遅れのポイントが持続する。 最近の動的マッピング手法は、シーン変更時にオブジェクトレベルの表現を更新するが、各オブジェクト内のノイズや時代遅れのポイントを明示的に変更するわけではない。 本稿では、確率的ポイントレベルの信頼度更新を通じてオブジェクト表現を継続的に洗練するオンライン精錬可能なセマンティックマッピングフレームワークを提案する。 一貫性のある観察は信頼性のある点を補強し、一貫性のないセグメンテーションマスク、深さ測定、可視性キューは急激で時代遅れな点を抑圧する。 オブジェクト追跡と再識別と組み合わせて, モノトニックに蓄積されるのではなく, オブジェクト中心のセマンティックマップを連続的に洗練することができる。 実験では、Replicaで3.46%、ScanNetで2.55%のマッピング精度を向上し、動的環境と知覚ノイズ下での堅牢性を示し、82.4%と76.7%の成功率でオブジェクトナビゲーションと具体化された質問応答のための効果的な空間記憶を提供する。

関連論文リスト

• OASIS-Map: Object-Level Change Detection in Multi-Session Mapping using Semantic Correspondence Matching [2.68828933665259]
  実世界の半静的環境への繰り返し訪問に一貫性のあるマップは、長期にわたるロボット検査に有用である。 既存の変化検出手法は、幾何学、カテゴリーレベルの意味論、オブジェクトの永続性を通して理にかなっている。 分割時間的に一貫したオブジェクトレベルの表現を保持するマルチセッションマッピングシステムを提案する。
  論文  参考訳（メタデータ） (2026-07-16T12:16:52Z)
• REMIND: RE-Identification with Memory for INDoor Navigation [39.146761527401424]
  モノクロRGB画像からの屋内ジェネリックオブジェクトの長期的多目的再識別のためのオンライントラッカー。 視覚的認知の証拠によって、人間は明示的な自己ローカライゼーションではなく、蓄積した外観の親しみと空間的コンテキストに依存している。 ScanNet++では、すべてのシーンで1つのエンドツーエンド検出を除いて、すべての設定で最高のIDF1を達成している。
  論文  参考訳（メタデータ） (2026-07-10T10:30:50Z)
• LoCUS: Learning Multiscale 3D-consistent Features from Posed Images [18.648772607057175]
  我々は、監督なしに多目的な神経表現を訓練する。 検索セットを慎重に構築することで、検索と再利用のバランスをとることができる。 スパース,マルチスケール,セマンティック空間マップの作成結果を示す。
  論文  参考訳（メタデータ） (2023-10-02T11:11:23Z)
• Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
  自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。 融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。 我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
  論文  参考訳（メタデータ） (2023-08-19T09:12:13Z)
• Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
  我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。 形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
  論文  参考訳（メタデータ） (2022-08-01T17:45:36Z)
• Object Permanence Emerges in a Random Walk along Memory [37.78331373391444]
  記憶の時間的コヒーレンスを最適化することで、物体の永続性が現れることを示す。 これにより、隠されたオブジェクトを格納し、その動きを予測し、よりローカライズするメモリ表現につながる。 結果として得られるモデルは、複雑さとリアリズムを増大させるいくつかのデータセットにおける既存のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-04-04T18:28:24Z)
• ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
  我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。 これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。 我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
  論文  参考訳（メタデータ） (2022-03-31T17:52:12Z)
• TSDF++: A Multi-Object Formulation for Dynamic Object Tracking and Reconstruction [57.1209039399599]
  我々は,シーン全体とその中のすべてのオブジェクトに対して,単一のボリュームを維持できるマップ表現を提案する。 複数の動的オブジェクト追跡および再構成シナリオにおいて,本表現は,近接して移動する他のオブジェクトによって一時的にオクルードされても,表面の正確な再構成を維持できる。 提案したTSDF++の定式化を公開合成データセット上で評価し,標準のTSDFマップ表現と比較した場合の閉塞面の復元性を示す。
  論文  参考訳（メタデータ） (2021-05-16T16:15:05Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)

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。