論文の概要: QVR3D: Query-Guided Visual Reasoning for Training-Free 3D Grounding

• arxiv url: http://arxiv.org/abs/2611.01084v1
• Date: Sat, 31 Oct 2026 16:19:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:18:58.771438
• Title: QVR3D: Query-Guided Visual Reasoning for Training-Free 3D Grounding
• Title（参考訳）: QVR3D: 学習不要な3Dグラウンドのためのクエリガイド型ビジュアル推論
• Abstract要約: 3Dビジュアルグラウンドは、自然言語の記述から3Dシーン内のオブジェクトをローカライズする。 クエリ誘導型ビジュアル推論フレームワークであるQVR3Dを紹介する。 ScanReferとNr3Dの実験は最先端のゼロショット性能を実現する。
• 参考スコア（独自算出の注目度）: 17.92473092370787
• License:
• Abstract: 3D visual grounding localizes objects in 3D scenes from natural language descriptions, requiring reasoning over semantics, spatial relationships, and multi-view observations. Training-free approaches avoid costly annotations but often rely on explicit scene transformation or scene-level frame selection, which may waste limited visual capacity on query-irrelevant regions. We observe that effective grounding should prioritize observations that provide evidence for the query rather than uniformly represent the entire scene. Based on this insight, we introduce QVR3D, a query-guided visual reasoning framework that operates on RGB-D observations using off-the-shelf foundation models. QVR3D combines Query-Guided Maximum Coverage (QGMC) for selecting complementary query-relevant views with Grounding Probability Estimation (GPE) that integrates instance confidence, attribute consistency, and relationship consistency. The framework supports both single- and multi-object grounding without task-specific adaptation. Experiments on ScanRefer and Nr3D achieve state-of-the-art zero-shot performance, while QGMC also improves frame efficiency across multiple 3D vision-language tasks. Our code is available at https://github.com/jwliao1209/QVR3D.
• Abstract（参考訳）: 3Dビジュアルグラウンドティングは、自然言語の記述から3Dシーン内のオブジェクトをローカライズし、意味論、空間的関係、多視点観察の推論を必要とする。 トレーニングなしのアプローチは高価なアノテーションを避けるが、しばしば明示的なシーン変換やシーンレベルのフレーム選択に頼っている。 シーン全体を一様に表現するのではなく、クエリーの証拠を提供する観察を、効果的なグラウンドディングが優先すべきである。 この知見に基づいて,既成の基礎モデルを用いたRGB-D観測に基づく問合せ誘導型視覚推論フレームワークQVR3Dを紹介する。 QVR3DはQuery-Guided Maximum Coverage (QGMC)を組み合わせて、補完的なクエリ関連ビューを選択する。 このフレームワークは、タスク固有の適応なしに、シングルオブジェクトとマルチオブジェクトのグラウンドをサポートする。 ScanReferとNr3Dの実験は最先端のゼロショット性能を実現し、QGMCは複数の3Dビジョン言語タスクにおけるフレーム効率も改善した。 私たちのコードはhttps://github.com/jwliao1209/QVR3Dで利用可能です。

関連論文リスト

• P$^3$-VLM: A Point-based Alternative for Grounded 3D Vision-Language Models [51.49845672660106]
  P$3$-VLMは、ポイントベースのプロンプトをサポートし、位置接地キャプションにおける52.1%の最先端の精度を実現する新しい3次元3次元VLMである。 P$3$-VLMは3つの補完経路(ロケーション、タスク、コンテキスト認識)を使用して、ボックス依存を伴わずにシーンについて強力な推論を可能にする。
  論文  参考訳（メタデータ） (2026-10-20T11:08:07Z)
• ViewMind3D: Modular View-Aware Inference for Training-Free 3D-QA [26.947027118604368]
  textbfViewMind3Dは、シーンを多視点で観察する3次元空間推論のための、完全にトレーニング不要でモジュラーなフレームワークである。 ViewMind3Dは,事前のトレーニング不要および微調整3D-LLMと比較して,競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-07-30T16:14:30Z)
• AgentGrounder: Zero-Shot 3D Visual Pointcloud Grounding using Multimodal Language Models [0.0]
  3Dビジュアルグラウンド(3DVG)は、AIを具現化する上で不可欠な機能であり、自然言語の記述に基づいて、エージェントがオブジェクトを3Dシーンにローカライズする必要がある。 タスク固有の3Dトレーニングを必要とせずに,色のついた点クラウド上で直接動作する,ゼロショットの3Dビジュアルグラウンドティングフレームワークである。
  論文  参考訳（メタデータ） (2026-05-25T14:29:04Z)
• SceneGraphGrounder: Zero-Shot 3D Visual Grounding via Structured Scene Graph Matching [2.4737219202679808]
  SceneGrapherは,再構成された3次元シーングラフ上の構造化グラフマッチングとして3次元グラウンドを再構成するフレームワークである。 我々は,移動ロボットによる実世界展開によるフレームワークの実証を行い,長距離物理環境における堅牢な空間推論を実証した。
  論文  参考訳（メタデータ） (2026-05-20T22:30:51Z)
• Advancing 3D Scene Understanding with MV-ScanQA Multi-View Reasoning Evaluation and TripAlign Pre-training Dataset [56.533371387182065]
  MV-ScanQAは、新しい3D質問応答データセットである。 本稿では,大規模かつ低コストな2D-3D言語事前学習コーパスTripAlignについて紹介する。 さらに,MV-ScanQAにおける多視点推論のためのベースライン手法であるLEGOを開発し,事前学習した2次元LVLMの知識をTripAlignで3Dドメインに転送する。
  論文  参考訳（メタデータ） (2025-08-14T20:35:59Z)
• Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation [54.04601077224252]
  身近なシーン理解には、視覚空間情報の理解だけでなく、3D物理世界における次の探索場所の決定も必要である。 アンダーラインテキストbf3D視覚言語学習は、エンボディエージェントが環境を効果的に探索し理解することを可能にする。 モデルの汎用性は、カテゴリ、言語記述、参照イメージなど、多様な入力モダリティを使ったナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2025-07-05T14:15:52Z)
• SLGaussian: Fast Language Gaussian Splatting in Sparse Views [15.0280871846496]
  スパース視点から3次元意味体を構築するフィードフォワード手法であるSLGaussianを提案する。 SLGaussianは、3D空間に言語情報を効率よく埋め込むことができ、スパースビュー条件下で正確な3Dシーン理解のための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-12-11T12:18:30Z)
• Grounded 3D-LLM with Referent Tokens [58.890058568493096]
  そこで我々は,Grounded 3D-LLMを提案する。 このモデルは、3Dシーンを参照するために特別な名詞句としてシーン参照トークンを使用する。 タスクごとの指示追従テンプレートは、3D視覚タスクを言語形式に翻訳する際の自然と多様性を保証するために使用される。
  論文  参考訳（メタデータ） (2024-05-16T18:03:41Z)
• Four Ways to Improve Verbo-visual Fusion for Dense 3D Visual Grounding [56.00186960144545]
  3Dビジュアルグラウンドティング(3D visual grounding)は、自然言語で記述された3Dシーンでオブジェクトをローカライズするタスクである。 そこで本研究では,高密度な3次元グラウンドネットワークを提案し,グラウンド性能向上を目的とした4つの新しいスタンドアローンモジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-08T19:27:01Z)

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。