論文の概要: Stabilizing Streaming Video Geometry via Dynamic Feature Normalization

• arxiv url: http://arxiv.org/abs/2605.25308v1
• Date: Mon, 25 May 2026 00:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.139216
• Title: Stabilizing Streaming Video Geometry via Dynamic Feature Normalization
• Title（参考訳）: 動的特徴正規化によるストリーミング映像幾何学の安定化
• Abstract要約: Dynamic Feature Normalization (DyFN) は、時間とともに安定な幾何を維持するために特徴統計を変調する因果リカレントモジュールである。 DyFNは最先端の時間安定性を実現し、従来のストリーミング手法よりも最大14%改善し、さらにはより重い非因果的ビデオベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 45.91399406203578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consistent 3D geometry estimation from streaming RGB input is crucial for real-world applications such as autonomous driving, embodied AI, and large-scale reconstruction. While modern monocular geometry foundation models achieve strong single-image accuracy, they exhibit severe temporal inconsistency on continuous input, notably dominated by scale--shift drifting. Through targeted empirical analysis, we trace this instability to its root cause: fluctuations in latent feature statistics, whose mean and variance directly determine the predicted depth's scale and shift. Building on this insight, we introduce Dynamic Feature Normalization (DyFN), a lightweight, causal recurrent module that dynamically and robustly modulates feature statistics to maintain stable geometry over time. We adapt powerful pretrained monocular geometry models for streaming by finetuning only DyFN, a mere 2\% additional parameters, while keeping the backbone frozen, thereby achieving temporal consistency without compromising single-image accuracy. Extensive experiments across four benchmarks show that DyFN effectively eliminates temporal artifacts such as disjointed layering and positional jitter, and achieves state-of-the-art temporal stability, improving over prior streaming methods by up to 14\% and even outperforming heavier non-causal video baselines. Project Page: https://shawlyu.github.io/DyFN
• Abstract（参考訳）: ストリーミングRGB入力からの一貫性のある3D幾何推定は、自律運転、組み込みAI、大規模再構築といった現実世界のアプリケーションにとって不可欠である。 現代の単分子幾何学の基礎モデルは強い単像精度を達成するが、それらは連続的な入力に深刻な時間的矛盾を示し、特にスケールシフトドリフトに支配されている。 対象とする実験分析を通して、この不安定性を根本原因に追従する:潜在特徴統計における揺らぎ、その平均と分散が予測された深さのスケールとシフトを直接決定する。 この知見に基づいて,動的特徴正規化(Dynamic Feature Normalization, DyFN)を導入する。 我々は,DyFNのみを微調整し,背骨の凍結を保ちながら,単一の画像の精度を損なうことなく時間的整合性を実現することによって,ストリーミングのための強力な事前学習単分子形状モデルを適用した。 4つのベンチマークによる大規模な実験により、DyFNは解離層や位置ジッタなどの時間的アーティファクトを効果的に排除し、最先端の時間的安定性を実現し、従来のストリーミング手法を最大14倍改善し、さらにより重い非因果的ビデオベースラインを上回ります。 Project Page: https://shawlyu.github.io/DyFN

関連論文リスト

• Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
  DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。 Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:09:55Z)
• Physics-Informed Temporal U-Net for High-Fidelity Fluid Interpolation [0.0]
  本稿では,VGGをベースとした知覚的損失と物理インフォームドブリッジを統合し,これらの問題を克服する新しい時間的U-Netアーキテクチャを提案する。 マルチチャネルRGB流体データによる実験結果から,本手法が標準モデルより明らかに優れていることが示された。
  論文  参考訳（メタデータ） (2026-04-25T16:36:52Z)
• Robot-DIFT: Distilling Diffusion Features for Geometrically Consistent Visuomotor Control [31.523644271297616]
  一般化可能なロボット操作における重要なボトルネックは、現在の視覚的バックボーンと閉ループ制御の物理的要求との間の構造的ミスマッチである。 我々は,マニフォールド蒸留による推論プロセスから幾何学的情報ソースを分離するフレームワークであるRobot-DIFTを提案する。 凍結拡散教師を決定論的空間意味的特徴ピラミッドネットワーク(S2-FPN)に蒸留することにより、時間的安定性、リアルタイム実行、ドリフトに対する堅牢性を確保しつつ、生成モデルの豊富な幾何学的先行性を維持できる。
  論文  参考訳（メタデータ） (2026-02-12T13:30:24Z)
• OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging [7.146027549101716]
  「OLR-WAA:動的重み付き平均値をもつ適応的で弾力性のあるオンライン回帰」 本稿では, 動的重み付き平均値をもつ適応的かつ弾力性のあるオンライン回帰システムOLR-WAAを紹介する。
  論文  参考訳（メタデータ） (2025-12-14T17:39:51Z)
• LyTimeT: Towards Robust and Interpretable State-Variable Discovery [7.505092370141079]
  LyTimeTは、解釈可能な変数抽出のためのフレームワークである。 動的ビデオシステムの堅牢で安定した潜伏表現を学習する。 その結果,時間的注意と安定性の制約を組み合わせることで,予測モデルが得られることがわかった。
  論文  参考訳（メタデータ） (2025-10-22T16:03:10Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• STATIC : Surface Temporal Affine for TIme Consistency in Video Monocular Depth Estimation [14.635179908525389]
  ビデオ単眼深度推定は、自律運転、AR/VR、ロボット工学などのアプリケーションに不可欠である。 近年の変圧器を用いた単眼単眼深度推定モデルは単一画像上では良好に機能するが,ビデオフレーム間の奥行きの整合性に苦慮している。 本研究では,静的および動的領域における時間的一貫性を付加情報なしで学習する新しいモデルであるSTATICを提案する。
  論文  参考訳（メタデータ） (2024-12-02T03:53:33Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision [85.17951804790515]
  EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。 シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。 本手法はセンサシミュレーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-03T17:59:55Z)
• SceNeRFlow: Time-Consistent Reconstruction of General Dynamic Scenes [75.9110646062442]
  我々はSceNeRFlowを提案し、時間的一貫性のある方法で一般的な非剛体シーンを再構築する。 提案手法は,カメラパラメータを入力として,静止カメラからのマルチビューRGBビデオと背景画像を取得する。 実験により,小規模動作のみを扱う先行作業とは異なり,スタジオスケール動作の再構築が可能であることが示された。
  論文  参考訳（メタデータ） (2023-08-16T09:50:35Z)

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。