論文の概要: CGOcc: Learning Cross-Gaussian Dependencies for 3D Semantic Occupancy Prediction
- arxiv url: http://arxiv.org/abs/2611.15692v1
- Date: Wed, 11 Nov 2026 16:31:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.196659
- Title: CGOcc: Learning Cross-Gaussian Dependencies for 3D Semantic Occupancy Prediction
- Title(参考訳): CGOcc:3Dセマンティックアクシデント予測のためのガウス間依存関係の学習
- Abstract要約: 我々はCGOccを紹介した。CGOccは教師付きマルチカメラフレームワークで、セマンティック・アクシデンシーの予測のためにクロスガウスの依存関係を明示的にモデル化する。
CGOccは外見と幾何学的観察を統合し、ガウスの状態を洗練させ、対角+低ランクの表現でガウスの依存関係を符号化する。
nuScenesの実験では、CGOccの最先端性能が実証され、ガウス重なり合いが大きくなり、境界付近での予測が向上した。
- 参考スコア(独自算出の注目度): 2.7928490007865014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Gaussian-based semantic occupancy prediction, overlapping primitives can provide ambiguous class predictions, making their joint interpretation important for voxel classification. However, current methods using spatially weighted mixtures neglect explicit modeling of cross-primitive dependencies, limiting the readout's ability to utilize category-specific relational evidence. Hence, we introduce CGOcc, a supervised multi-camera framework that explicitly models Cross-Gaussian dependencies for 3D semantic Occupancy prediction. CGOcc integrates appearance and geometric observations to refine Gaussian states and encodes cross-Gaussian dependencies in a diagonal-plus-low-rank representation. To incorporate these dependencies into voxel classification, CGOcc uses a class-conditional projection to extract diagonal and signed cross-Gaussian statistics without constructing a dense dependency matrix. The readout then refines occupied-class probabilities using these statistics while preserving a learned reference's occupied mass and free probability. Extensive experiments on nuScenes demonstrate CGOcc achieves state-of-the-art performance, with larger gains at high Gaussian overlap and improved predictions near boundaries. Ablation studies validate the effectiveness of covariance-aware prediction and support its synergy with geometric interaction.
- Abstract(参考訳): ガウスに基づく意味的占有予測では、重複プリミティブは曖昧なクラス予測を提供することができ、それらの共同解釈はボクセル分類において重要である。
しかし、空間重み付き混合を用いた現在の手法では、クロスプライミティブな依存関係の明示的なモデリングを無視し、カテゴリ固有の関係証拠を利用する読み出し能力を制限する。
そこで,我々はCGOccを紹介した。CGOccは教師付きマルチカメラフレームワークで,3次元セマンティック・アクシデンシー予測のためのクロスガウス的依存関係を明示的にモデル化する。
CGOccは外見と幾何学的観察を統合し、ガウスの状態を洗練させ、対角+低ランクの表現でガウスの依存関係を符号化する。
これらの依存関係をボクセル分類に組み込むため、CGOccは密度依存行列を構築することなく、クラス条件射影を用いて対角線と符号付きガウス統計を抽出する。
読み出しは、これらの統計を用いて占有クラスの確率を洗練し、学習された参照の占有質量と自由確率を保存する。
nuScenesに関する大規模な実験は、CGOccが最先端のパフォーマンスを実現し、ガウス重なり合いが大きくなり、境界付近での予測が改善されたことを実証している。
アブレーション研究は、共分散認識予測の有効性を検証し、幾何学的相互作用との相乗効果を支持する。
関連論文リスト
- SCORE: Spectral Correlation Estimation for Multivariate Gaussians [14.105883070373645]
高次元構造ガウス目標を用いたニューラルネットワークに基づく予測モデルは,共分散行列の効率的かつ数値的に安定な近似を必要とする。
スペクトル空間で学習した表現的共分散近似と、スコアリングルールトレーニングを組み合わせたスケーラブルなフレームワークSCOREを提案する。
一般に仮定されるガウス領域を用いて,様々なタスクにおけるモデルの評価を行い,計算コストの低減による性能向上を示す。
論文 参考訳(メタデータ) (2026-10-08T15:01:56Z) - Constant-Curvature Sliced Gromov-Wasserstein for Heterogeneous Cross-Curvature Alignment [57.11319004902961]
混合曲率モデルは、異なる曲率を持つ空間が本質的に不均一であるため、各成分空間を独立に学習する。
定数曲率スライスしたGromov-Wasserstein (CCSGW) を提案する。
我々は,CCSGWが不均一空間間の固有幾何差を制御し,分布レベルの幾何整合性を促進することを示す理論的解析を行った。
論文 参考訳(メタデータ) (2026-10-05T18:29:23Z) - 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) - MAGE-KT: Multi-Agent Graph-Enhanced Knowledge Tracing with Subgraph Retrieval and Asymmetric Fusion [0.9558392439655014]
知識追跡は、学生の学習軌跡をモデル化し、次の質問でパフォーマンスを予測することを目的としている。
我々はMAGE-KT(Multi-Agent Graph-Enhanced Knowledge Tracing)という新しいフレームワークを提案する。
マルチエージェントKC関係抽出器と学生間相互作用グラフを組み合わせた多視点ヘテロジニアスグラフを構築し,意味的および行動的信号をキャプチャする。
論文 参考訳(メタデータ) (2026-01-23T16:51:08Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳(メタデータ) (2023-10-29T09:54:03Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳(メタデータ) (2022-01-28T09:30:32Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳(メタデータ) (2021-07-09T19:48:23Z) - Learning non-Gaussian graphical models via Hessian scores and triangular
transport [6.308539010172309]
連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。
このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
論文 参考訳(メタデータ) (2021-01-08T16:42:42Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z)
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。