日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

意味マッピングarXiv:2603.03935

DISC: 大規模オープンセット意味マッピングのための高密度統合意味コンテキスト

DISC: Dense Integrated Semantic Context for Large-Scale Open-Set Semantic Mapping

シェア:XThreadsFacebookLINEはてブBluesky

画像クロップに頼らず、Vision Transformerの中間層から直接CLIP特徴を抽出する単一パス方式で、大規模環境向けのオープンセット意味マッピングを高速化・高精度化するフレームワークを提案した。

詳しい要約

1. どんなもの?

DISC(Dense Integrated Semantic Context)は、大規模なopen-set semantic mappingのための新しいフレームワーク。言語駆動型ロボット知覚を可能にし、instance-centricな従来手法のボトルネック(文脈欠如と計算コストの高いcrop-based特徴抽出)を克服する。単一パスでdistance-weightedな抽出機構を特徴とし、vision transformerの中間層から直接高忠実度のCLIP埋め込みを導出する。これにより画像croppingの遅延やdomain-shiftアーティファクトを排除し、mask-alignedな純粋意味表現を得る。大規模連続マッピングで活用するため、完全GPU加速アーキテクチャ上に構築され、定期的なオフライン処理を置き換え、オンザフライでvoxel-levelのinstance refinementを行う。

2. 先行研究と比べてどこがすごい?

従来のinstance-centricアプローチは、context-deprivingで計算コストの高いcrop-based特徴抽出にボトルネックがあった。DISCは、単一パスでdistance-weightedな抽出機構を導入し、vision transformerの中間層から直接CLIP埋め込みを導出することで、画像croppingの遅延とdomain-shiftアーティファクトを排除する。また、完全GPU加速アーキテクチャにより、定期的なオフライン処理をオンザフライのvoxel-level instance refinementに置き換える。これにより、zero-shot手法の最先端を意味精度とクエリ検索の両方で大幅に上回る。

3. 技術・手法の肝は?

技術の肝は、単一パスでdistance-weightedな抽出機構により、vision transformerの中間層から直接高忠実度のCLIP埋め込みを導出する点。これにより、従来の画像croppingを不要にし、mask-alignedな純粋意味表現を実現する。さらに、完全GPU加速アーキテクチャを採用し、定期的なオフライン処理ではなく、オンザフライでvoxel-levelのinstance refinementを精密に行う。これにより大規模連続マッピングに適応する。

4. どうやって有効だと検証した?

標準ベンチマーク(Replica、ScanNet)と、新たに生成した大規模マッピングデータセット(Habitat-Matterport 3D (HM3DSEM) ベース)で評価。多階建て建物の複雑なシーンでのスケーラビリティを評価。広範な評価により、DISCが現在のstate-of-the-art zero-shot手法を意味精度とクエリ検索の両方で大幅に上回り、ロボット展開に堅牢でリアルタイム可能なフレームワークを提供することを示した。

5. 議論はある?

要旨からは不明。

6. 次に読むべき論文は?

要旨で参照/比較されている研究として、instance-centricアプローチ、crop-based特徴抽出、CLIP、vision transformer、zero-shot手法が挙げられる。具体的な論文名は要旨に無いため、同分野の定番としてopen-set semantic mapping、CLIP、vision transformer、Replica、ScanNet、Habitat-Matterport 3D (HM3DSEM) 関連の研究を読むべき。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Felix Igelbrink, Lennart Niecksch, Martin Atzmueller, Joachim Hertzberg

分類: cs.CV, cs.RO

原文アブストラクト

Open-set semantic mapping enables language-driven robotic perception, but current instance-centric approaches are bottlenecked by context-depriving and computationally expensive crop-based feature extraction. To overcome this fundamental limitation, we introduce DISC (Dense Integrated Semantic Context), featuring a novel single-pass, distance-weighted extraction mechanism. By deriving high-fidelity CLIP embeddings directly from the vision transformer's intermediate layers, our approach eliminates the latency and domain-shift artifacts of traditional image cropping, yielding pure, mask-aligned semantic representations. To fully leverage these features in large-scale continuous mapping, DISC is built upon a fully GPU-accelerated architecture that replaces periodic offline processing with precise, on-the-fly voxel-level instance refinement. We evaluate our approach on standard benchmarks (Replica, ScanNet) and a newly generated large-scale-mapping dataset based on Habitat-Matterport 3D (HM3DSEM) to assess scalability across complex scenes in multi-story buildings. Extensive evaluations demonstrate that DISC significantly surpasses current state-of-the-art zero-shot methods in both semantic accuracy and query retrieval, providing a robust, real-time capable framework for robotic deployment. The full source code, data generation and evaluation pipelines will be made available at https://github.com/DFKI-NI/DISC.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI