3D知覚/ラベルノイズ2026/3/1arXiv:2603.06279

信頼できないボクセルを信頼できるか？ラベルノイズ下での3Dセマンティック占有予測の探求

Can we Trust Unreliable Voxels? Exploring 3D Semantic Occupancy Prediction under Label Noise

3D占有予測におけるラベルノイズ問題を体系的に調査する初のベンチマークOccNLを構築し、時間的記憶と構造的親和性を活用したノイズ耐性フレームワークDPR-Occを提案した。

詳しい要約

1. どんなもの？

- 3D semantic occupancy prediction におけるラベルノイズ問題を扱う研究。 - 実世界の voxel アノテーションは構造的アーティファクトや動的 trailing effects で汚染される。 - そのような信頼できない supervision に自律システムが依存して安全かという問いを提起。 - 最初の benchmark である OccNL を構築。 - occupancy-asymmetric noise と dynamic trailing noise を対象。 - 頑健なフレームワーク DPR-Occ を提案。

2. 先行研究と比べてどこがすごい？

- 従来の 2D label noise learning 戦略が sparse 3D voxel 空間で壊滅的に崩壊することを分析で示す。 - 既存パラダイムの脆弱性を明らかにした点が新しい。 - 3D occupancy prediction 向けに label noise learning を橋渡し。 - 90% label noise でも既存ベースラインを上回る性能を達成。 - 具体的には最大 2.57% mIoU と 13.91% IoU の改善。

3. 技術・手法の肝は？

- DPR-Occ は dual-source partial label reasoning で信頼できる supervision を構築。 - temporal model memory と representation-level structural affinity を組み合わせる。 - 候補ラベル集合を動的に拡張・剪定。 - 真の semantics を保持しつつ noise propagation を抑制。 - これにより幾何的・意味的崩壊を防ぐ。

4. どうやって有効だと検証した？

- SemanticKITTI で広範な実験を実施。 - 極端な corruption 下でも DPR-Occ が幾何・意味の崩壊を防ぐことを示す。 - 90% label noise でも既存の label noise learning ベースラインを上回る。 - 具体的な改善幅は最大 2.57% mIoU、13.91% IoU。 - benchmark とコードは公開予定。

5. 議論はある？

- 実世界の voxel アノテーションが構造的アーティファクトや動的 trailing effects で汚染される点を指摘。 - 2D label noise learning が sparse 3D voxel 空間で崩壊する domain gap を議論。 - 安全クリティカルなロボティクス知覚における信頼性の重要性を強調。 - 限界や今後の課題の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている既存の label noise learning ベースライン。 - 2D label noise learning 戦略。 - 3D semantic occupancy prediction の先行研究。 - SemanticKITTI を用いた関連研究。 - 具体的な論文名は要旨からは不明。

※ 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: Wenxin Li, Kunyu Peng, Di Wen, Junwei Zheng, Jiale Wei, Mengfei Duan, Yuheng Zhang, Rui Fan, Kailun Yang

分類: cs.CV, cs.RO, eess.IV

原文アブストラクト

3D semantic occupancy prediction is a cornerstone of robotic perception, yet real-world voxel annotations are inherently corrupted by structural artifacts and dynamic trailing effects. This raises a critical but underexplored question: can autonomous systems safely rely on such unreliable occupancy supervision? To systematically investigate this issue, we establish OccNL, the first benchmark dedicated to 3D occupancy under occupancy-asymmetric and dynamic trailing noise. Our analysis reveals a fundamental domain gap: state-of-the-art 2D label noise learning strategies collapse catastrophically in sparse 3D voxel spaces, exposing a critical vulnerability in existing paradigms. To address this challenge, we propose DPR-Occ, a principled label-noise-robust framework that constructs reliable supervision through dual-source partial label reasoning. By synergizing temporal model memory with representation-level structural affinity, DPR-Occ dynamically expands and prunes candidate label sets to preserve true semantics while suppressing noise propagation. Extensive experiments on SemanticKITTI demonstrate that DPR-Occ prevents geometric and semantic collapse under extreme corruption. Notably, even at 90% label noise, our method achieves significant performance gains (up to 2.57% mIoU and 13.91% IoU) over existing label noise learning baselines adapted to the 3D occupancy prediction task. By bridging label noise learning and 3D perception, OccNL and DPR-Occ provide a reliable foundation for safety-critical robotic perception in dynamic environments. The benchmark and source code will be made publicly available at https://github.com/mylwx/OccNL.

arXivで原文を読む →arXiv概要ページ

← 論文一覧