ProFuse: Effiziente kontextuelle Fusionsmethode für perspektivenübergreifende Szenenrepräsentation in Open-Vocabulary 3D Gaussian Splatting

ProFuse: Efficient Cross-View Context Fusion for Open-Vocabulary 3D Gaussian Splatting

January 8, 2026

papers.authors: Yen-Jen Chiou, Wei-Tse Cheng, Yuan-Fu Yang

cs.AI

papers.abstract

Wir präsentieren ProFuse, einen effizienten kontextbewussten Rahmen für das open-vocabulary 3D-Szenenverständnis mit 3D Gaussian Splatting (3DGS). Die Pipeline verbessert die konsistente Darstellung über verschiedene Blickwinkel hinweg und die Kohäsion innerhalb von Masken in einem direkten Registrierungsaufbau, bei nur minimalem Mehraufwand und ohne Notwendigkeit einer renderüberwachten Feinabstimmung. Anstatt auf eine vortrainierte 3DGS-Szene angewiesen zu sein, führen wir eine dichte, korrespondenzgeführte Vorregistrierungsphase ein, die Gauss-Objekte mit präziser Geometrie initialisiert und gleichzeitig 3D-Kontextvorschläge durch clusterübergreifende Gruppierung erstellt. Jeder Vorschlag enthält einen globalen Merkmalsvektor, der durch gewichtete Aggregation der Einzelmerkmale seiner Mitglieder gewonnen wird. Dieses Merkmal wird während der direkten Registrierung mit den Gauss-Objekten fusioniert, um eine sprachlich kohärente Darstellung pro Primitiv über alle Blickwinkel hinweg beizubehalten. Da die Zuordnungen im Voraus festgelegt werden, erfordert die semantische Fusion keine zusätzliche Optimierung jenseits der Standardrekonstruktion, und das Modell behält die geometrische Verfeinerung ohne Verdichtung bei. ProFuse erreicht ein robustes open-vocabulary 3DGS-Verständnis und vollendet die semantische Anbindung in etwa fünf Minuten pro Szene, was doppelt so schnell ist wie der aktuelle Stand der Technik.

English

We present ProFuse, an efficient context-aware framework for open-vocabulary 3D scene understanding with 3D Gaussian Splatting (3DGS). The pipeline enhances cross-view consistency and intra-mask cohesion within a direct registration setup, adding minimal overhead and requiring no render-supervised fine-tuning. Instead of relying on a pretrained 3DGS scene, we introduce a dense correspondence-guided pre-registration phase that initializes Gaussians with accurate geometry while jointly constructing 3D Context Proposals via cross-view clustering. Each proposal carries a global feature obtained through weighted aggregation of member embeddings, and this feature is fused onto Gaussians during direct registration to maintain per-primitive language coherence across views. With associations established in advance, semantic fusion requires no additional optimization beyond standard reconstruction, and the model retains geometric refinement without densification. ProFuse achieves strong open-vocabulary 3DGS understanding while completing semantic attachment in about five minutes per scene, which is two times faster than SOTA.