論文の概要: GCSR-OCC: Geometry Calibration and Semantic Routing for Open-Vocabulary Occupancy Prediction
- arxiv url: http://arxiv.org/abs/2610.37149v1
- Date: Tue, 27 Oct 2026 12:47:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.625602
- Title: GCSR-OCC: Geometry Calibration and Semantic Routing for Open-Vocabulary Occupancy Prediction
- Title（参考訳）: GCSR-OCC:開語彙占有予測のための幾何学的校正と意味的ルーティング
- Abstract要約: Open-vocabulary 3D の占有予測は、統一されたボクセルグリッドにおけるシーン幾何学とセマンティクスを表す。
あるアプローチは3Dガウシアンでシーンを再構築し、それらをボクセルの占有地に変換する。
ジオメトリキャリブレーションとマルチモードクエリ条件付きセマンティックルーティングを組み合わせたGCSR-OCCを提案する。
- 参考スコア（独自算出の注目度）: 13.680233334654046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-vocabulary 3D occupancy prediction represents scene geometry and semantics in a unified voxel grid, enabling recognition beyond predefined categories. One approach reconstructs scenes with 3D Gaussians and converts them into voxel occupancy. However, Gaussian scale inflation and excessive overlap can distort voxel occupancy predictions, while semantic mixing can arise within Gaussians spanning multiple categories and during 3D--2D semantic feature alignment. We propose GCSR-OCC, which combines geometry calibration and multi-mode query-conditioned semantic routing for indoor occupancy prediction from a single RGB image. The Evidence-Conserving Gaussian-to-Occupancy operator (EC-G2O) uses kernel mass normalization, $p$-norm aggregation, and a learnable gain to suppress scale inflation and excessive local evidence accumulation while calibrating occupancy responses. Multi-mode Query-First Gaussian Semantic Routing (MM-QGSR) matches multiple semantic modes per Gaussian to text queries and aggregates query-specific evidence into voxels through a learnable text-conditioned router. Fine-grained subclass queries and smoothed semantic aggregation further refine voxel-level predictions. Without 3D semantic annotations, GCSR-OCC achieves state-of-the-art performance in open-vocabulary occupancy prediction on Occ-ScanNet, with 63.31% geometric IoU and 27.44% semantic mIoU. It also reduces geometric aggregation latency from 19.76 ms to 12.88 ms. Our code will be made publicly available.
- Abstract（参考訳）: Open-vocabulary 3D の占有予測は、統一されたボクセルグリッドにおけるシーン幾何学とセマンティクスを表現し、事前に定義されたカテゴリを超えた認識を可能にする。
あるアプローチは3Dガウシアンでシーンを再構築し、それらをボクセルの占有地に変換する。
しかし、ガウススケールのインフレーションと過剰オーバーラップはボクセル占有率の予測を歪ませる可能性がある一方で、複数のカテゴリにまたがるガウスと3D--2Dのセマンティックな特徴アライメントの間にセマンティックミキシングが発生する。
本稿では,1つのRGB画像から室内占有率を予測するために,ジオメトリキャリブレーションとマルチモードクエリ条件セマンティックルーティングを組み合わせたGCSR-OCCを提案する。
Evidence-Conserving Gaussian-to-Occupancy operator (EC-G2O) は、カーネルの質量正規化、$p$-normアグリゲーション、および、占有応答を調整しながら大規模なインフレーションと過剰な局所的な証拠蓄積を抑制する学習可能なゲインを利用する。
Multi-mode Query-First Gaussian Semantic Routing (MM-QGSR) はガウス語毎の複数のセマンティックモードをテキストクエリにマッチさせ、学習可能なテキストコンディショニングルータを通じてクエリ固有のエビデンスをボクセルに集約する。
きめ細かいサブクラスクエリとスムーズなセマンティックアグリゲーションにより、さらにボクセルレベルの予測が洗練される。
3Dセマンティックアノテーションがなければ、GCSR-OCCはOcc-ScanNet上でのオープン語彙占有予測において、63.31%の幾何学的IoUと27.44%のセマンティックmIoUで最先端のパフォーマンスを達成する。
また、幾何的なアグリゲーションのレイテンシを19.76ミリ秒から12.88ミリ秒に短縮します。
関連論文リスト
- Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - Learning Adaptive Semantic Gaussian Allocation for 3D Occupancy [38.71779538292353]
メモリとレンダリングの制御に制限される場合、最も有用なガウス数を選択する方法を示す。
本稿では,ガウス属性と局所幾何学的特徴を用いたセマンティックガウスアロケーション変換器(SAGFormer)を提案する。
nuScenes-SurroundOcc と SSCBench-KITTI-360 の実験により、SAGFormer は評価プロトコル下での占有率予測を改善し、より意味論的に一貫性があり、より有効化されたガウス表現が得られることが示された。
論文 参考訳（メタデータ） (2026-07-24T01:52:49Z) - Bridging 3D Gaussians and Semantic Occupancy for Comprehensive Open-Vocabulary Scene Understanding from Unposed Images [62.31892851760248]
COVSceneはポーズレスセマンティックガウスフレームワークで、レンダリング可能なプリミティブと密接なセマンティック占有フィールドを結合する。
我々は、COVSceneは、競争力のあるレンダリング品質を維持し、オープン語彙のセグメンテーションを改善し、自己教師付きベースラインよりも強力なセマンティック占有率予測を実現することを示す。
論文 参考訳（メタデータ） (2026-07-02T03:00:23Z) - QueryGaussian: Scalable and Training-Free Open-Vocabulary 3D Instance Retrieval [19.833205230045074]
QueryGaussianは、高速でスケーラブルなオープンな3Dインスタンス検索のためのトレーニング不要のフレームワークである。
トレーニング済みの2次元視覚モデルを用いて,ユーザのプロンプトを解釈し,セグメンテーションマスクを3Dに変換する。
また,プロジェクションのあいまいさを軽減するため,多段適応密度クラスタリングを備えた時間融合モジュールを導入する。
論文 参考訳（メタデータ） (2026-06-18T02:57:35Z) - Gau-Occ: Geometry-Completed Gaussians for Multi-Modal 3D Occupancy Prediction [40.5891357994769]
Gau-Occは、密度の高いボリューム処理をバイパスするマルチモーダルフレームワークである。
幾何整列した2Dサンプリングとクロスモーダルアライメントにより、マルチビューイメージセマンティクスを統合する。
論文 参考訳（メタデータ） (2026-03-24T06:44:46Z) - GraphGSOcc: Semantic-Geometric Graph Transformer with Dynamic-Static Decoupling for 3D Gaussian Splatting-based Occupancy Prediction [2.3239379129613535]
GraphGSOccは、意味グラフと幾何学グラフを組み合わせ、動的静的オブジェクトを分離する新しいフレームワークである。
SurroundOcc-nuScenes、Occ3D-nuScenes、OpenOcc、KITTIの占有ベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-06-13T06:09:57Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。
一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。
本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - GOI: Find 3D Gaussians of Interest with an Optimizable Open-vocabulary Semantic-space Hyperplane [53.388937705785025]
3Dオープンボキャブラリのシーン理解は、拡張現実とロボット応用の推進に不可欠である。
GOIは2次元視覚言語基礎モデルから3次元ガウススプラッティング(3DGS)に意味的特徴を統合するフレームワークである。
提案手法では,特徴空間内の超平面分割として特徴選択処理を扱い,クエリに関連性の高い特徴のみを保持する。
論文 参考訳（メタデータ） (2024-05-27T18:57:18Z) - GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction [70.65250036489128]
3Dのセマンティック占有予測は,周囲のシーンの3Dの微細な形状とセマンティックスを得ることを目的としている。
本稿では,3Dシーンを3Dセマンティック・ガウシアンで表現するオブジェクト中心表現を提案する。
GaussianFormerは17.8%から24.8%のメモリ消費しか持たない最先端のメソッドで同等のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-05-27T17:59:51Z)
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。