論文の概要: Lite3R: A Model-Agnostic Framework for Efficient Feed-Forward 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2605.11354v1
• Date: Tue, 12 May 2026 00:20:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.489022
• Title: Lite3R: A Model-Agnostic Framework for Efficient Feed-Forward 3D Reconstruction
• Title（参考訳）: Lite3R: 効率的なフィードフォワード3次元再構成のためのモデルに依存しないフレームワーク
• Authors: Haoyu Zhang, Zeyu Zhang, Zedong Zhou, Yang Zhao, Hao Tang,
• Abstract要約: Lite3RはSparse Linear Attentionに置き換わるモデルに依存しない教師学習フレームワークである。 Lite3R はレイテンシ (1.7-2.0x) とメモリ使用率 (1.9-2.4x) を大幅に削減し、全体として競争力のある再構築品質を維持する。
• 参考スコア（独自算出の注目度）: 23.223291360701907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transformer-based 3D reconstruction has emerged as a powerful paradigm for recovering geometry and appearance from multi-view observations, offering strong performance across challenging visual conditions. As these models scale to larger backbones and higher-resolution inputs, improving their efficiency becomes increasingly important for practical deployment. However, modern 3D transformer pipelines face two coupled challenges: dense multi-view attention creates substantial token-mixing overhead, and low-precision execution can destabilize geometry-sensitive representations and degrade depth, pose, and 3D consistency. To address the first challenge, we propose Lite3R, a model-agnostic teacher-student framework that replaces dense attention with Sparse Linear Attention to preserve important geometric interactions while reducing attention cost. To address the second challenge, we introduce a parameter-efficient FP8-aware quantization-aware training (FP8-aware QAT) strategy with partial attention distillation, which freezes the vast majority of pretrained backbone parameters and trains only lightweight linear-branch projection layers, enabling stable low-precision deployment while retaining pretrained geometric priors. We further evaluate Lite3R on two representative backbones, VGGT and DA3-Large, over BlendedMVS and DTU64, showing that it substantially reduces latency (1.7-2.0x) and memory usage (1.9-2.4x) while preserving competitive reconstruction quality overall. These results demonstrate that Lite3R provides an effective algorithm-system co-design approach for practical transformer-based 3D reconstruction. Code: https://github.com/AIGeeksGroup/Lite3R. Website: https://aigeeksgroup.github.io/Lite3R.
• Abstract（参考訳）: トランスフォーマーをベースとした3D再構成は、幾何と外観を多視点観測から回復するための強力なパラダイムとして登場し、難易度の高い視覚的条件に対して強力な性能を提供している。 これらのモデルがより大きなバックボーンや高解像度のインプットにスケールするにつれて、その効率性の向上は実践的なデプロイメントにおいてますます重要になる。 しかし、現代の3Dトランスフォーマーパイプラインは、2つの複合的な課題に直面している: 密集したマルチビューアテンションはトークンミキシングのオーバーヘッドをかなり生み出し、低精度の実行は幾何に敏感な表現を不安定化し、深さ、ポーズ、および3D一貫性を低下させることができる。 最初の課題を解決するために,Sparse Linear Attention に重心を置き換わるモデルに依存しない教師学習フレームワーク Lite3R を提案する。 第2の課題に対処するために、パラメータ効率の高いFP8対応量子化学習(FP8対応QAT)戦略を導入する。これは、事前訓練されたバックボーンパラメータの大部分を凍結し、軽量な線形ブランチプロジェクション層のみを訓練し、事前訓練された幾何学的前兆を保ちながら安定した低精度展開を可能にする。 さらに,BlendedMVS と DTU64 の2つの代表的なバックボーンである VGGT と DA3-Large についてLite3R の評価を行った。 これらの結果は,Lite3Rが実用的なトランスフォーマーベースの3D再構成に有効なアルゴリズム-システム共設計手法を提供することを示した。 コード:https://github.com/AIGeeksGroup/Lite3R。 ウェブサイト:https://aigeeksgroup.github.io/Lite3R。

関連論文リスト

• PointSplat: Efficient Geometry-Driven Pruning and Transformer Refinement for 3D Gaussian Splatting [2.5823344978857388]
  3D Gaussian Splattingは最近、明示的な3Dプリミティブを使用してシーンを表現することによって、リアルタイムで高忠実なノベルビュー合成をアンロックした。 従来の手法では複雑なシーンを捉えるために何百万人ものガウシアンを必要とすることが多く、メモリとストレージの要求が大きくなった。 近年のアプローチでは、ガウスパラメータのプルーニングとシーン毎の微調整によってこの問題に対処し、視覚的品質を維持しながらモデルサイズを削減している。
  論文  参考訳（メタデータ） (2026-04-10T20:56:18Z)
• LSRM: High-Fidelity Object-Centric Reconstruction via Scaled Context Windows [10.300202521638274]
  本研究では,大規模スパース再構成モデルを導入し,拡張型コンテクストウィンドウがフィードフォワード3D再構成に与える影響について検討する。 アクティブなオブジェクトや画像トークンの数を大幅に増やすことで、コンテキストウィンドウを拡大することで、このギャップを著しく狭め、高忠実度な3Dオブジェクト再構成と逆レンダリングを可能にします。
  論文  参考訳（メタデータ） (2026-04-06T21:21:12Z)
• MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation [59.75554954111619]
  マルチビュー3D参照表現(MV-3DRES)を導入し、モデルがシーン構造を復元し、参照対象をスパースなマルチビュー画像から直接セグメント化する必要がある。 本稿では,言語情報をスパースビュー幾何学的推論に組み込む,効率的なエンドツーエンドフレームワークであるMultimodal Visual Geometry Grounded Transformer (MVGGT)を提案する。 実験により、MVGGTは最初の強力なベースラインを確立し、高精度かつ高速な推論を達成し、既存の選択肢よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-11T11:44:07Z)
• LitePT: Lighter Yet Stronger Point Transformer [50.6430530112838]
  我々は3Dポイント・クラウド・ネットワークにおける異なる計算ブロックの役割を解析する。 我々は、初期段階で畳み込みを採用し、より深い層に注意を向ける新しい改良された3Dポイントクラウドバックボーンを提案する。 結果として、LitePTモデルはパラメータが3.6倍、2倍の速度で動作し、最新技術であるPoint Transformer V3よりも2倍のメモリを消費する。
  論文  参考訳（メタデータ） (2025-12-15T18:59:57Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• Johnson-Lindenstrauss Lemma Guided Network for Efficient 3D Medical Segmentation [42.23472421492995]
  本研究では,高次元画像の特徴に基づいてフレームワークを再設計する方法について述べる。 私たちのアプローチであるVeloxSegは、デプロイ可能でデュアルストリームのCNN-Transformerアーキテクチャから始まります。 VeloxSegはDiceを26%改善し、GPUスループットを11倍、CPUを48倍向上させた。
  論文  参考訳（メタデータ） (2025-09-26T13:12:43Z)
• STream3R: Scalable Sequential 3D Reconstruction with Causal Transformer [72.88105562624838]
  本稿では,ポイントマップ予測をデコーダのみの変換器問題として再構成する新しい3次元再構成手法STream3Rを提案する。 大規模な3Dデータセットから幾何学的先行性を学ぶことで、STream3Rは多様で困難なシナリオにうまく一般化する。 この結果から,オンライン3次元知覚のための因果変換モデルの可能性を浮き彫りにし,ストリーミング環境におけるリアルタイム3次元理解の道を開いた。
  論文  参考訳（メタデータ） (2025-08-14T17:58:05Z)
• Rep3D: Re-parameterize Large 3D Kernels with Low-Rank Receptive Modeling for Medical Imaging [15.142146104837005]
  Rep3Dは、学習可能な空間ボリュームを大規模なカーネルトレーニングに組み込む3D畳み込みフレームワークである。 Rep3Dは、3D画像解析のための解釈可能でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-26T07:12:56Z)
• Multi-initialization Optimization Network for Accurate 3D Human Pose and Shape Estimation [75.44912541912252]
  我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。 第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。 第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。 最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
  論文  参考訳（メタデータ） (2021-12-24T02:43:58Z)
• A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
  3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。 空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
  論文  参考訳（メタデータ） (2021-08-17T16:20:51Z)

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。