G2P: ガウスからポイントへの属性一致化に基づく境界感に配慮した 3D セマンティックセグメンテーション

arXiv:2601.03510v2 Announce Type: replace 要旨：ポイントクラウドにおけるセマンティックセグメンテーションは、3D シーン理解において不可欠です。しかし、点の非規則的な分布は限られた外観証拠を提供するだけであり、幾何学のみを特徴とする既存の手法は、形状は似ていても外観（例：色、テクスチャ、素材）が異なるものを識別する能力に不足しています。我々は、3D ガウススプラッティングから点クラウドへ外観感度の高い属性を転移させるガウス・ツー・ポイント（G2P）を提案し、より鑑別性が高く、外観に一致したセグメンテーションを実現します。G2P は、最適化されたガウスと元の幾何学的形状との不一致を、点ごとの対応関係によって解決します。ガウスの不透明属性を活用することで、既存のモデルが制限する幾何学的曖昧さを解消します。また、ガウスのスケール属性を利用することで、複雑な 3D シーンにおいて境界の精密な局所化が可能になります。大規模な実験により、我々のアプローチは標準ベンチマークにおいて優れた性能を示し、幾何学的に困難なクラスにおいても顕著な改善を達成し、これには 2D 監視や言語監視は一切不要です。

arXiv:2601.03510v2 Announce Type: replace Abstract: Semantic segmentation on point clouds is critical for 3D scene understanding. However, sparse and irregular point distributions provide limited appearance evidence, making geometry-only features insufficient to distinguish objects with similar shapes but distinct appearances (e.g., color, texture, material). We propose Gaussian-to-Point (G2P), which transfers appearance-aware attributes from 3D Gaussian Splatting to point clouds for more discriminative and appearance-consistent segmentation. Our G2P address the misalignment between optimized Gaussians and original point geometry by establishing point-wise correspondences. By leveraging Gaussian opacity attributes, we resolve the geometric ambiguity that limits existing models. Additionally, Gaussian scale attributes enable precise boundary localization in complex 3D scenes. Extensive experiments demonstrate that our approach achieves superior performance on standard benchmarks and shows significant improvements on geometrically challenging classes, all without any 2D or language supervision.