3Dシーン理解2026/7/15arXiv:2607.13481

GPOcc++: 視覚幾何学事前情報を用いた統合スパースガウス占有予測

GPOcc++: Unified Sparse Gaussian Occupancy Prediction with Visual Geometry Priors

視覚幾何学の事前情報を占有予測に適したスパースガウス表現に変換し、多視点・時系列を統一的に扱う3Dシーン理解手法GPOcc++を提案した。屋内・屋外のベンチマークで高い性能と効率性を示した。

詳しい要約

1. どんなもの？

GPOcc++は、視覚幾何プリエント（visual geometry priors）を占有対応のスパースガウス表現（sparse Gaussian representations）に変換し、屋内・屋外の3D占有予測を統一的に行うフレームワーク。多視点観測と時系列シーケンスを同一表現で扱い、効率的で表現力の高いボリュームシーンをモデリングする。

2. 先行研究と比べてどこがすごい？

従来の占有予測は、視覚幾何プリエントの出力が表面中心（surface-centric）であるため、ボリューム内部や自由空間の推論に不向きだった。GPOcc++はこれを占有対応のスパースガウス表現に変換することで、幾何プリエントを効果的に活用し、遮蔽・未観測領域の推論を改善。さらに、多視点と時系列を統一的に扱える点、屋内から屋外への拡張が可能な点が先行研究より優れる。

3. 技術・手法の肝は？

手法の肝は、視覚幾何プリエント（例：深度・法線）を占有対応のスパースガウス表現に変換する点。ガウス表現により、ボリューム内部と自由空間を効率的にモデリング。GPOcc++では、多視点観測と時系列シーケンスを同一のスパースガウス表現で統一的に処理するフレームワークを構築。

4. どうやって有効だと検証した？

屋内と屋外の複数のベンチマークで、多視点設定と時系列設定の両方において一貫して強い性能を示し、効率性と一般化の良さも確認した。具体的なデータセット名や数値は要旨からは不明。

5. 議論はある？

要旨からは、視覚幾何プリエントの品質や、スパースガウス表現の解釈性、計算コストと精度のトレードオフなどに関する議論は明示されていない。また、屋内から屋外への拡張における課題（動的物体、大規模シーンなど）についても詳細は不明。

6. 次に読むべき論文は？

要旨で参照されている先行研究や関連手法は明示されていないが、同分野の定番として、3D占有予測のベースライン（例：MonoScene、TPVFormer、Occ3D）や、視覚幾何プリエントを利用する手法（例：NeRF、MVSNet）が考えられる。

※ 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: Changqing Zhou, Yueru Luo, Yulan Guo, Bing Wang, Jie Qin, Changhao Chen

分類: cs.CV

原文アブストラクト

Accurate 3D scene understanding is fundamental to embodied intelligence and autonomous driving, where 3D occupancy provides a unified representation of objects, structures, and free space. However, recovering such a complete volumetric representation from visual observations remains challenging, particularly in occluded and unobserved regions. Visual geometry priors offer strong and generalizable geometric cues for addressing this challenge, but their outputs are inherently surface-centric, whereas occupancy prediction requires reasoning about volumetric interiors and free space. To bridge this gap, we introduce GPOcc, which transforms visual geometry priors into occupancy-aware sparse Gaussian representations for efficient and expressive volumetric scene modeling. Building on GPOcc, GPOcc++ models multi-view observations and temporal sequences within a unified framework, allowing spatial and temporal evidence to be handled through the same representation. We further extend GPOcc++ from indoor scenes to outdoor occupancy prediction. Extensive experiments on both indoor and outdoor benchmarks demonstrate consistently strong performance across both multi-view and temporal settings, together with favorable efficiency and generalization. Code will be released at https://github.com/JuIvyy/GPOcc.

arXivで原文を読む →arXiv概要ページ

GPOcc++: 視覚幾何学事前情報を用いた統合スパースガウス占有予測

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell