3Dシーングラフ生成（3DSGG）は、3Dシーンをオブジェクトとその関係を結ぶ構造化グラフとして表現する技術であり、空間理解のためのコンパクトで解釈可能な抽象化を提供します。この技術は、ロボットナビゲーション、拡張現実、身体知能などの分野で広く応用されています。しかし、実際の環境では、エージェントは同じシーンを異なる視点から観察する必要があります。例えば、ロボットが物体の周りを回転したり、ドローンのヨーが変わったりします。既存の3DSGGモデルの多くは、視点変化に対して脆弱であり、関係予測が期待される変換に従わないことがよくあります。
研究者らは、この問題の原因が述語レベルの変換の異質性にあることを発見しました。方向述語（「左」「前」「右」「後ろ」）は観察フレームの回転に応じて変化すべきであるのに対し、接触、支持、意味述語（「立っている」「取り付けられている」など）は安定しているべきです。しかし、既存のモデルはすべての述語を均等に扱うため、視点変化時に矛盾した予測を生み出します。この問題を解決するために、変換認識デカップリング（TAD）フレームワークが提案されました。
TADは、関係推論を二つの独立したブランチに分解します。第一のブランチは、視点間で安定した関係の手がかり（意味的・接触関係）を学習します。第二のブランチは、観察フレームの変化に応じて動的に調整される方向性の手がかりを学習します。二つのブランチの出力は統合され、標準的なマルチラベル述語予測に使用されます。さらに、TADは変換固有記述子とグループ認識補助監視を導入し、二つのブランチが補完的な関係手がかりを捉えるように促進します。変換固有記述子は異なる視点変換の明示的な特徴表現を提供し、グループ認識監視は述語をその変換挙動に基づいてグループ化することをモデルに促します。
3DSSGデータセットでの広範な実験により、TADは訓練時の回転データ拡張なしで、ヨー視点変化に対して最先端の頑健性を達成し、標準ベンチマークでも競争力のある性能を維持することが示されました。既存のベースラインモデルと比較して、TADは関係予測の精度と一貫性で顕著な改善を示しました。また、ゼロショットの視点転送シナリオでも優れた性能を発揮し、その汎化能力を実証しました。
本研究の意義は、3Dシーン理解における視点動的性の問題に対するエレガントな解決策を提供し、エージェントが環境をより確実に認識し相互作用することを可能にする点にあります。将来、この手法はより複雑な視点変化（ピッチやロール）や多様な相互作用タイプに拡張されることが期待されます。関連コードとプロジェクトページは公開されており、研究者によるさらなる検証が可能です。