論文の概要: MonoLaDN: Language-Guided DeNoising for Monocular 3D Object Detection

• arxiv url: http://arxiv.org/abs/2611.06282v1
• Date: Wed, 04 Nov 2026 10:22:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.056351
• Title: MonoLaDN: Language-Guided DeNoising for Monocular 3D Object Detection
• Title（参考訳）: MonoLaDN:モノクロ3Dオブジェクト検出のための言語誘導型デノーミング
• Abstract要約: 最近の変圧器ベースの検出器は、画像の特徴と3Dボックスアノテーションから純粋に幾何学を学習する。 本稿では,VLMの幾何学的推論をモノクル3D検出器に転送する言語誘導型デノナイジングフレームワークであるMonoLaDNを提案する。 我々はMonoLaDNが最先端検出器を一貫して上回り、新しいドメインによく一般化していることを示す。
• 参考スコア（独自算出の注目度）: 0.5650918115222875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular 3D object detection offers a low-cost route to 3D perception, but it remains fundamentally ill-posed, since depth must be inferred from a single view. Recent transformer-based detectors learn geometry purely from image features and 3D box annotations, lacking the high-level semantic priors that vision-language models (VLMs) acquire from large-scale pretraining. VLMs offer such priors, but deploying one directly as a detector is impractical due to its heavy inference cost. We propose MonoLaDN, a language-guided denoising framework that transfers the geometric reasoning of a VLM into a monocular 3D detector while keeping the deployed model purely vision-based. During training, a frozen VLM produces structured reasoning about each object's occlusion, depth, dimension, and angle from the image and its ground-truth boxes. We encode this reasoning into queries, perturb them with noise, and train the detector to reconstruct the clean reasoning. Reconstructing the corrupted reasoning forces the detector's depth-guided features to internalize the VLM's geometric priors, so this knowledge remains available even after the reasoning path is discarded at inference, adding no latency or parameters to the deployed model. Experiments on KITTI 3D and nuScenes show that MonoLaDN consistently outperforms state-of-the-art detectors and generalizes well to new domains.
• Abstract（参考訳）: 単眼の3D物体検出は3D知覚への低コストな経路を提供するが、深度を単一の視点から推定する必要があるため、基本的には不適切な位置にある。 最近のトランスフォーマーベースの検出器は、画像の特徴と3Dボックスアノテーションから純粋に幾何学を学習し、視覚言語モデル(VLM)が大規模事前学習から得られる高レベルのセマンティックな前提を欠いている。 VLMはそのような先入観を提供するが、検出器として直接デプロイすることは、その重い推論コストのために現実的ではない。 本稿では,VLMの幾何学的推論をモノクロ3D検出器に伝達する言語誘導型認知フレームワークMonoLaDNを提案する。 訓練中、凍結したVLMは各物体の閉塞、深さ、寸法、角度を画像とその接地木箱から構造化した推論を生成する。 我々は、この推論をクエリにエンコードし、それらをノイズで摂動させ、検出器をトレーニングしてクリーンな推論を再構築する。 破損した推論を再構築することで、検出器の奥行き誘導された特徴がVLMの幾何学的先入観を内在化させてしまうため、推論で推論パスが破棄された後もこの知識は利用可能であり、デプロイされたモデルに遅延やパラメータを追加しない。 KITTI 3D と nuScenes の実験では、MonoLaDN は最先端検出器より一貫して優れ、新しい領域によく一般化されている。

関連論文リスト

• Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs [62.865932175477035]
  計量3Dオブジェクト検出は、エンボディエージェントのコア機能であるが、最も信頼性の高いシステムは深度センサーに頼っている。 提案するMap-Det3Dは,RGBから再構成した3次元空間に直接検出を行うオンラインマルチビュー3Dオブジェクト検出モデルである。
  論文  参考訳（メタデータ） (2026-08-12T15:33:42Z)
• RefineAny3D: Depth Refinement as Semantic Alignment for Monocular 3D Detection [44.58463514444319]
  現在の深度基礎モデルは、オブジェクトレベルの精密な3D検出要求を欠いている。 本稿では,数値を予測せずに深度を補正する視覚言語モデルRefineAny3Dを提案する。
  論文  参考訳（メタデータ） (2026-08-10T05:50:37Z)
• Attention-Based Depth Distillation with 3D-Aware Positional Encoding for Monocular 3D Object Detection [10.84784828447741]
  ADDは、3D対応の位置符号化を備えた注意に基づく深度知識蒸留フレームワークである。 教師の設計によると、私たちのフレームワークはシームレスで、ドメインギャップフリーで、実装が容易で、オブジェクト指向の地層深度と互換性があります。 我々は,3つの代表的な単分子検出器上でのフレームワークを実装し,予測計算コストの増大を伴わず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-30T06:39:25Z)
• MonoDETR: Depth-guided Transformer for Monocular 3D Object Detection [57.969536140562674]
  深度誘導型TRansformer(MonoDETR)を用いたモノクロ検出のための最初のDETRフレームワークについて紹介する。 我々は3Dオブジェクト候補を学習可能なクエリとして定式化し、オブジェクトとシーンの深度相互作用を行うための深度誘導デコーダを提案する。 モノクルイメージを入力としてKITTIベンチマークでは、MonoDETRは最先端のパフォーマンスを実現し、追加の深度アノテーションを必要としない。
  論文  参考訳（メタデータ） (2022-03-24T19:28:54Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• Weakly Supervised 3D Object Detection from Point Clouds [27.70180601788613]
  3Dオブジェクト検出は、特定のクラスに属するオブジェクトの3D境界ボックスを検出し、ローカライズすることを目的としている。 既存の3Dオブジェクト検出器は、トレーニング中にアノテーション付き3Dバウンディングボックスに依存している。 基礎となる真理3D境界ボックスを使わずに点雲からの3Dオブジェクト検出を弱教師付きで行うためのフレームワークであるVS3Dを提案する。
  論文  参考訳（メタデータ） (2020-07-28T03:30:11Z)

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。