論文の概要: TopoField: Technical Report for ECCV 2026 SceneFun3D Challenge
- arxiv url: http://arxiv.org/abs/2610.37218v1
- Date: Tue, 27 Oct 2026 13:29:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.639923
- Title: TopoField: Technical Report for ECCV 2026 SceneFun3D Challenge
- Title（参考訳）: TopoField: ECCV 2026 SceneFun3D Challengeの技術レポート
- Abstract要約: TopoFieldはVOLT上に構築された決定論的デコーダである。
トポフィエルドはECCV 2026 SceneFun3D Challengeで2位を獲得した。
- 参考スコア（独自算出の注目度）: 24.96360752764416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Functional segmentation requires locating small interactive parts, such as knobs, buttons, and sockets, in indoor point clouds and returning confidence-ranked instance masks. A point-wise semantic predictor produces a continuous probability field, whereas the benchmark evaluates a discrete set of scored instances. This creates a substantial field-to-instance gap. We present TopoField, a deterministic decoder built on top of VOLT. TopoField first converts 13 test-time forward passes into a semantic consensus field, then decodes instance candidates from the consensus geometry, and finally ranks the candidates in a class-aware manner. The augmentation stage retains the processed-point identity of every fragment prediction, accumulates probabilities in a common point array, normalizes by coverage count, and fuses the resulting caches. The decoding stage separates high-confidence cores from broader support regions, constructs a symmetric radius-pruned point graph, and uses a multi-source graph-geodesic partition to split support regions that contain multiple seeds. On 561 ground-truth instances across 30 validation scenes, an IoU-0.5-valid candidate exists for 67.2% of instances, and top-1 coverage is 20.0%. These complementary measurements motivate joint attention to candidate construction and ranking. TopoField achieves 28.286% AP, 41.383% AP50, and 47.558% AP25. TopoField achieved second place on the ECCV 2026 SceneFun3D Challenge.
- Abstract（参考訳）: 機能セグメンテーションでは、ノブ、ボタン、ソケットなどの小さなインタラクティブなパーツを屋内の点雲に配置し、信頼性の高いインスタンスマスクを返す必要がある。
ポイントワイズ・セマンティック・予測器は連続確率場を生成するが、ベンチマークはスコアリングされたインスタンスの離散的な集合を評価する。
これにより、フィールド・ツー・インスタンスのギャップが大きくなります。
VOLT上に構築された決定論的デコーダであるTopoFieldを紹介する。
TopoFieldはまず13のテストタイムフォワードをセマンティックコンセンサスフィールドに変換し、次にコンセンサス幾何学からインスタンス候補をデコードし、最後にクラス対応の方法で候補をランク付けする。
増大段階は、すべてのフラグメント予測の処理されたポイントアイデンティティを保持し、共通のポイント配列に確率を蓄積し、カバレッジカウントによって正規化し、結果として生じるキャッシュを融合させる。
復号段階は、より広い支持領域から高信頼コアを分離し、対称な半径決定点グラフを構築し、複数のシードを含む支持領域を分割するために、マルチソースグラフ−測地分割を使用する。
30のバリデーションシーンにまたがる571のグランドトルース・インスタンスでは、67.2%のインスタンスに対してIoU-0.5の候補が存在し、トップ1のカバレッジは20.0%である。
これらの相補的な測定は、候補構築とランク付けへの共同注意を動機付けている。
TopoFieldは28.286%のAP50、41.383%のAP50、47.558%のAP25を達成している。
トポフィエルドはECCV 2026 SceneFun3D Challengeで2位を獲得した。
関連論文リスト
- ALPINE: Adaptive Localization for Parameter- and Sample-Efficient Few-Shot Learning [0.0]
固定Gaborエッジエネルギー誘導とウィンドウ付きコンテント適応型パッチロケータを組み合わせた,数ショット画像分類のための超軽量アーキテクチャを提案する。
厳密に整合したアイソエポソード・バッジプロトコルの下で、我々のアーキテクチャは5つのシードのすべてに一貫性を持ち、プロトタイプネットワーク、リレーショナルネットワーク、MAMLにまたがる5つの精度向上を実現し、どのベースラインよりも27～53%少ないパラメータを使用する。
正直に言って,22～35kのパラメータ付近の正確な精度を示すキャパシティスイープとともに,計算のための全シードレベルの結果をリリースする。
論文 参考訳（メタデータ） (2026-09-16T03:00:34Z) - Efficient GPU Retrieval for Semantic Search [11.631441668563802]
本稿では、LinkedInのポリシー整合型検索フレームワークを提案する。
軽量のシングルスロットStage-1スコアラは、ハイリコール候補を生成する。
21Kのホールドアウトクエリでは、この表現は一致した容量ベースラインに対するオフラインの関連性を改善する。
論文 参考訳（メタデータ） (2026-08-29T00:38:27Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Mining Subscenario Refactoring Opportunities in Behaviour-Driven Software Test Suites: ML Classifiers and LLM-Judge Baselines [1.9537983097153042]
振る舞い駆動開発(BDD)ソフトウェアテストスイートは、重複したステップサブシーケンスを蓄積します。
3つのパブリッシュパターンが利用可能である(ファイルの背景、再利用可能な再利用可能なシナリオ呼び出し、組織間の共有高レベルステップ)。
繰り返し続くサブシーケンスが抽出に値するか、どのメカニズムが適用されるかを自動化する前の作業はありません。
論文 参考訳（メタデータ） (2026-05-14T08:38:04Z) - 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic
Segmentation Track [67.56316745239629]
本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。
本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。
提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
論文 参考訳（メタデータ） (2022-10-23T20:52:22Z) - Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。
我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
論文 参考訳（メタデータ） (2022-04-04T05:16:41Z) - REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。
本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。
提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-28T06:01:00Z) - Hierarchical Aggregation for 3D Instance Segmentation [41.20244892803604]
本稿では,点集合と点集合の空間的関係をフル活用する,HAISというクラスタリングベースのフレームワークを提案する。
ScanNet v2ベンチマークでは、69.9%のAP50を達成し、従来のSOTA(State-of-the-art)メソッドを大きく上回っている。
論文 参考訳（メタデータ） (2021-08-05T03:34:34Z) - Corner Proposal Network for Anchor-free, Two-stage Object Detection [174.59360147041673]
オブジェクト検出の目標は、画像内のオブジェクトのクラスと位置を決定することである。
本稿では,多数のオブジェクト提案を抽出する新しいアンカーフリー2段階フレームワークを提案する。
この2つの段階が,リコールと精度の向上に有効な解であることを示す。
論文 参考訳（メタデータ） (2020-07-27T19:04:57Z) - PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。
我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。
クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。
ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文 参考訳（メタデータ） (2020-04-03T16:26:37Z)
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。