論文の概要: E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models
- arxiv url: http://arxiv.org/abs/2506.01933v1
- Date: Mon, 02 Jun 2025 17:53:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:34.68571
- Title: E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models
- Title（参考訳）: E3D-Bench: エンドツーエンドの3次元幾何学基礎モデルのベンチマーク
- Authors: Wenyan Cong, Yiqing Liang, Yancheng Zhang, Ziyi Yang, Yan Wang, Boris Ivanovic, Marco Pavone, Chen Chen, Zhangyang Wang, Zhiwen Fan,
- Abstract要約: 3次元幾何学基礎モデル(GFM)の総合ベンチマークを初めて提示する。
GFMは、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、スローまたは未使用のカメラパラメータを不要にする。
我々は16の最先端GFMを評価し、タスクやドメイン間の長所と短所を明らかにした。
すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
- 参考スコア（独自算出の注目度）: 78.1674905950243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial intelligence, encompassing 3D reconstruction, perception, and reasoning, is fundamental to applications such as robotics, aerial imaging, and extended reality. A key enabler is the real-time, accurate estimation of core 3D attributes (camera parameters, point clouds, depth maps, and 3D point tracks) from unstructured or streaming imagery. Inspired by the success of large foundation models in language and 2D vision, a new class of end-to-end 3D geometric foundation models (GFMs) has emerged, directly predicting dense 3D representations in a single feed-forward pass, eliminating the need for slow or unavailable precomputed camera parameters. Since late 2023, the field has exploded with diverse variants, but systematic evaluation is lacking. In this work, we present the first comprehensive benchmark for 3D GFMs, covering five core tasks: sparse-view depth estimation, video depth estimation, 3D reconstruction, multi-view pose estimation, novel view synthesis, and spanning both standard and challenging out-of-distribution datasets. Our standardized toolkit automates dataset handling, evaluation protocols, and metric computation to ensure fair, reproducible comparisons. We evaluate 16 state-of-the-art GFMs, revealing their strengths and limitations across tasks and domains, and derive key insights to guide future model scaling and optimization. All code, evaluation scripts, and processed data will be publicly released to accelerate research in 3D spatial intelligence.
- Abstract（参考訳）: 3D再構成、知覚、推論を含む空間知能は、ロボティクス、空中イメージング、拡張現実などの応用に不可欠である。
重要なイネーブルは、非構造化またはストリーミング画像からコア3D属性(カメラパラメータ、ポイントクラウド、ディープマップ、および3Dポイントトラック)をリアルタイムで正確に推定することである。
言語と2Dビジョンにおける大きな基礎モデルの成功に触発されて、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、遅いカメラパラメータや利用できないカメラパラメータを不要にする、エンドツーエンドの幾何学的基礎モデル(GFM)が新たに登場した。
2023年後半以降、フィールドは様々な変種で爆発したが、体系的な評価は乏しい。
本研究では,スパースビュー深度推定,ビデオ深度推定,3次元再構成,マルチビューポーズ推定,新規ビュー合成,標準および非配布データセットの分散化という,5つのコアタスクを網羅した3D GFMの総合的なベンチマークを提示する。
標準化されたツールキットは、データセット処理、評価プロトコル、およびメートル法計算を自動化し、公正で再現可能な比較を保証する。
我々は16の最先端のGFMを評価し、タスクやドメインにまたがる長所と短所を明らかにし、将来のモデルのスケーリングと最適化を導く上で重要な洞察を導き出す。
すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
関連論文リスト
- Lift3D Foundation Policy: Lifting 2D Large-Scale Pretrained Models for Robust 3D Robotic Manipulation [30.744137117668643]
Lift3Dは、ロバストな3D操作ポリシーを構築するために、暗黙的で明示的な3Dロボット表現で2Dファンデーションモデルを強化するフレームワークである。
実験では、Lift3Dはいくつかのシミュレーションベンチマークや実世界のシナリオで、最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2024-11-27T18:59:52Z) - UPose3D: Uncertainty-Aware 3D Human Pose Estimation with Cross-View and Temporal Cues [55.69339788566899]
UPose3Dは多視点人間のポーズ推定のための新しいアプローチである。
直接的な3Dアノテーションを必要とせずに、堅牢性と柔軟性を向上させる。
論文 参考訳（メタデータ） (2024-04-23T00:18:00Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - PonderV2: Pave the Way for 3D Foundation Model with A Universal Pre-training Paradigm [111.16358607889609]
本稿では,効率的な3D表現の獲得を容易にするために,新しいユニバーサル3D事前学習フレームワークを提案する。
PonderV2は、11の室内および屋外ベンチマークで最先端のパフォーマンスを達成したことで、その効果が示唆された。
論文 参考訳（メタデータ） (2023-10-12T17:59:57Z) - Learning Temporal 3D Human Pose Estimation with Pseudo-Labels [3.0954251281114513]
自己監督型3次元ポーズ推定のための簡易かつ効果的なアプローチを提案する。
我々は、マルチビューカメラシステムの2Dボディポーズ推定を三角測量に頼っている。
提案手法はHuman3.6MとMPI-INF-3DHPベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2021-10-14T17:40:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。