論文の概要: Trust It or Not: Evidential Uncertainty for Feed-Forward 3D Reconstruction with Trust3R

• arxiv url: http://arxiv.org/abs/2605.19539v1
• Date: Tue, 19 May 2026 08:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.213062
• Title: Trust It or Not: Evidential Uncertainty for Feed-Forward 3D Reconstruction with Trust3R
• Title（参考訳）: Trust it or not: Trust3Rを用いたフィードフォワード3D再構成における証拠不確実性
• Authors: Zihao Zhu, Wenyuan Zhao, Nuo Chen, Chao Tian, Zhiwen Fan,
• Abstract要約: Trust3Rはフィードフォワード3D再構成のための軽量な明らかな不確実性フレームワークである。 Trust3Rは、常にリスクカバレッジとスパーシフィケーションを改善し、概して幾何学的精度を向上させる。
• 参考スコア（独自算出の注目度）: 28.889667509969488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric foundation models hold promise for unconstrained dense geometry prediction from uncalibrated images. However, in current feed-forward designs, their predicted confidence scores are heuristic, lack probabilistic interpretation, and often fail to indicate where and how much the predicted geometry can be trusted. To address this gap, we present Trust3R, a lightweight evidential uncertainty framework for feed-forward 3D reconstruction. Trust3R combines gated residual mean refinement with a Normal-Inverse-Wishart evidential head, yielding a closed-form multivariate Student-t distribution for per-point geometric uncertainty. This design provides probabilistically grounded pointmap uncertainty estimates while adding moderate inference overhead. We evaluate on diverse indoor and outdoor benchmarks and compare against MASt3R's built-in confidence map as well as common uncertainty-aware baselines spanning single-pass heteroscedastic regression and sampling-based methods such as MC dropout and deep ensembles. Experimental results show that Trust3R consistently improves risk-coverage and sparsification, and generally improves geometric accuracy. These gains are reflected in stronger uncertainty ranking across benchmarks, with 25% lower AURC and 41% lower AUSE on ScanNet++, providing a practical reliability signal for uncertainty-aware weighting in downstream geometry pipelines. The project page and code are available at https://trust3r-z.github.io/.
• Abstract（参考訳）: 幾何学的基礎モデルは、未校正画像から制約のない密集幾何予測を約束する。 しかし、現在のフィードフォワードの設計では、彼らの予測された信頼スコアはヒューリスティックであり、確率論的解釈が欠如しており、予測された幾何がどの程度信頼されるかを示すのに失敗することが多い。 このギャップに対処するために、フィードフォワード3D再構成のための軽量な明らかな不確実性フレームワークであるTrust3Rを提案する。 Trust3Rは、ゲート平均補正と正規-逆-ウィッシュアートの明らかなヘッドを組み合わせることで、点当たりの幾何不確かさに対する閉形式多変量学生-t分布を生成する。 この設計は、適度な推測オーバーヘッドを追加しながら、確率的に基底付けられた点マップの不確実性推定を提供する。 室内および屋外の様々なベンチマークを評価し,MASt3Rの信頼性マップと,MCドロップアウトやディープアンサンブルのような単パスヘテロセダスティック回帰およびサンプリングベース手法にまたがる共通不確実性認識ベースラインを比較した。 実験の結果,Trust3Rはリスクカバレッジとスペーサー化を一貫して改善し,一般に幾何精度を向上することがわかった。 これらのゲインは、ベンチマーク全体の強い不確実性ランキングに反映されており、AURCが25%低く、AUSEがScanNet++で41%低い。 プロジェクトページとコードはhttps://trust3r-z.github.io/.com/で公開されている。

関連論文リスト

• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• SURE: Semi-dense Uncertainty-REfined Feature Matching [28.68008638977835]
  SUREは、一致と信頼を共同で予測する半密度不確実性再定義マッチングフレームワークである。 我々のアプローチは、軽量な空間融合モジュールとともに、信頼に値する座標回帰のための新しい明らかな頭部を軌道に乗せる。 提案手法は精度と効率の両面で既存の最先端のセミセンスマッチングモデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-05T06:53:11Z)
• Robust Partial 3D Point Cloud Registration via Confidence Estimation under Global Context [12.216399037814012]
  部分点雲の登録は、自律認識と3Dシーン理解に不可欠である。 我々は,ロバストな部分的3次元登録のための統一的信頼性駆動型フレームワークであるCEGC(Global Context)に基づく信頼度推定を提案する。 CEGCは、共有グローバルコンテキスト内で重なり合う信頼性と対応信頼性を共同でモデル化することにより、複雑なシーンの正確なアライメントを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T04:36:55Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。