論文の概要: Queryable Gaussian View Index: Text Retrieval and Selective Camera Localization

• arxiv url: http://arxiv.org/abs/2610.41373v1
• Date: Fri, 30 Oct 2026 07:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.646352
• Title: Queryable Gaussian View Index: Text Retrieval and Selective Camera Localization
• Title（参考訳）: 検索可能なガウスビューインデックス:テキスト検索と選択カメラのローカライゼーション
• Abstract要約: テキストビュー検索と選択的なRGBカメラローカライゼーションは、アセットの座標フレームでポーズを返す。 QGVI-Tは、ガウス風のビューを、シーン位置の言語検索可能なインデックスに変換する。 意味的および語彙的検索は、オンラインレンダリング、VLM呼び出し、シーン固有のポーズネットワークなしで、異なる場所からビューを選択する。
• 参考スコア（独自算出の注目度）: 7.696526508795164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Queryable Gaussian View Index (QGVI) for querying existing Gaussian scene assets and their associated calibrated reference data. Text-view retrieval and selective RGB camera localization return poses in the asset's coordinate frame. QGVI-T turns Gaussian-rendered views into a language-searchable index of scene locations, binding structured captions to known camera poses and place identifiers. Semantic and lexical retrieval select views from distinct places without online rendering, VLM calls, or a scene-specific pose network. The image route, QGVI-I, filters LoGS-based geometric estimates using distinct inlier query keypoints. It omits photometric refinement and preserves accepted pose coordinates. On nine development scenes, QGVI-T achieves 58.3% Top-1 and 78.3% Top-5 joint relevance-and-validity success, compared with 26.1% and 34.6% for our CityLoC reimplementation with refinement. QGVI-I achieves 97.3% scene-mean pose success at 1 m/2 degrees, with pooled false-acceptance and false-rejection rates of 0.707% and 1.142%. A paired cached evaluation retains all 1,775 initializer poses correct at this threshold. Recorded median text query latency is 0.020 s. Matched controls show competitive BM25 retrieval and slightly lower false acceptance for thresholded full LoGS; grid augmentation suggests modest gains on novel-view-derived descriptions. We report model-judged semantic success separately from source-camera recovery, with source-verified or estimated scales for geometric evaluation.
• Abstract（参考訳）: 本稿では,既存のガウスシーンアセットとその関連校正基準データに対してクエリ可能なガウスビューインデックス(QGVI)を提案する。 テキストビュー検索と選択的なRGBカメラローカライゼーションは、アセットの座標フレームでポーズを返す。 QGVI-Tは、ガウス風のビューをシーン位置の言語検索可能なインデックスに変換し、構造化されたキャプションを既知のカメラのポーズに結び付け、識別子を配置する。 意味的および語彙的検索は、オンラインレンダリング、VLM呼び出し、シーン固有のポーズネットワークなしで、異なる場所からビューを選択する。 画像経路QGVI-Iは、異なる不整合クエリキーポイントを用いて、LoGSに基づく幾何推定をフィルタリングする。 光度補正を省略し、受け入れられたポーズ座標を保存する。 9つの開発場面で、QGVI-Tは58.3%のTop-1と78.3%のTop-5を、CityLoCの再実装では26.1%と34.6%に比較して達成した。 QGVI-Iは97.3%のシーン平均ポーズが1m/2度で成功し、プールド・フェイル・アクセプタンスと偽拒絶率は0.707%と1.142%である。 ペアキャッシュされた評価では、このしきい値で1,775のイニシャライザが正しくポーズする。 記録された中央値のテキストクエリレイテンシは0.020秒である。 一致したコントロールは、競合するBM25検索を示し、しきい値付き全LOGSに対してわずかに偽の受け入れを減らしている。 我々は,ソース・カメラ・リカバリとは別個のモデル・ジャッジド・セマンティック・成功を,幾何的評価のためのソース・検証・推定尺度で報告する。

関連論文リスト

• VideoReloc: Long-Term Indoor Video Relocalization against a Kilobyte-Scale Semantic Scene Graph [50.42050161026878]
  長時間の屋内ビデオ再配置は、照明や家具の変更後の地図フレームの軌跡を推定する。 ビジュアルメソッドは外観に依存し、これらの変更によって信頼性が低下する。 適応的なビデオクリップは、物体と動きの基準が満たされるまで、空間的証拠を集めるためにオドメトリーを使用する。
  論文  参考訳（メタデータ） (2026-09-18T14:16:41Z)
• CoRef-GS: Cooperative Referring Gaussian Splatting for Multi-Agent Scene Understanding [61.37726020220854]
  CoRef-GSはガウシアンスプレイティングフレームワークを参考にしている。 CoQuad-Refは、現実世界とシミュレーションされた屋内シーンの両方にまたがるベンチマークである。
  論文  参考訳（メタデータ） (2026-09-17T15:39:25Z)
• Where Am I? Semantic Map Grounding via Vision-Language Models for Multi-Modal Localization [0.0]
  我々は,GPSを用いた屋内環境におけるロボットのローカライゼーションをセマンティック推論タスクとして再検討することで解決する。 人間が対象レベルの手がかりやラベル付き地図を使ってローカライズする方法に触発されて、正面カメラ画像が与えられた視覚言語モデルがロボットのポーズを推測できるかどうかを問う。 我々は、Qwen2.5-VL-7BをLoRAで微調整し、連続的なポーズ座標を予測する軽量回帰ヘッドを装着する。
  論文  参考訳（メタデータ） (2026-07-01T15:37:29Z)
• 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)
• AnyImageNav: Any-View Geometry for Precise Last-Meter Image-Goal Navigation [10.175661009911257]
  我々はAnyImageNavを紹介した。AnyImageNavは、ImageNavをより要求の高い設定にプッシュする、トレーニング不要のシステムだ。 私たちのキーとなる洞察は、ゴールイメージを幾何学的なクエリとして扱うことができるということです。 我々の手法はギブソン(93.1%)とHM3D(82.6%)に最先端の航法成功率を設定する。
  論文  参考訳（メタデータ） (2026-04-07T02:45:07Z)
• Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
  視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。 我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
  論文  参考訳（メタデータ） (2025-10-13T01:12:21Z)
• PACE: A Large-Scale Dataset with Pose Annotations in Cluttered Environments [50.79058028754952]
  PACE(Pose s in Cluttered Environments)は、散在シナリオにおけるポーズ推定手法の大規模ベンチマークである。 ベンチマークは55Kフレームで構成され、300の動画に258Kのアノテーションがあり、43のカテゴリから238のオブジェクトをカバーしている。 PACE-Simには、931オブジェクトにわたる2.4Mアノテーションを備えた100Kのフォトリアリスティックシミュレートフレームが含まれている。
  論文  参考訳（メタデータ） (2023-12-23T01:38:41Z)
• Improved Visual Grounding through Self-Consistent Explanations [58.51131933246332]
  本稿では,大規模な言語モデルを用いて,既存のテキスト画像データセットをパラフレーズで拡張するための戦略を提案する。 SelfEQは、自己整合性を促進するパラフレーズの視覚的説明地図に関する弱教師付き戦略である。
  論文  参考訳（メタデータ） (2023-12-07T18:59:22Z)

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。