論文の概要: Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2605.26230v1
• Date: Mon, 25 May 2026 18:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.299347
• Title: Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction
• Title（参考訳）: ロバストな多視点3次元再構成のための幾何認識表現法
• Authors: Jin Hyeon Kim, Jaeeun Lee, Claire Kim, Kyoungjin Oh, Paul Hyunbin Cho, Jaewon Min, Yeji Choi, Jihye Park, Hyunhee Park, Minkyu Park, Seungryong Kim,
• Abstract要約: フィードフォワード3次元再構成モデルの特徴空間に直接拡散に基づく多視点復元を行う新しいフレームワークであるGeometry-Aware Representation Denoising (GARD)を提案する。 この設計は、3次元再構成器の幾何学的特徴表現を利用して、正確なシーン形状を効果的に復元する。 追加のRGBイメージデコーダを使用することで、高品質なRGBイメージの復元にも使用できる。
• 参考スコア（独自算出の注目度）: 36.377286063905395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view 3D reconstruction has achieved remarkable progress with the advent of feed-forward 3D reconstruction models. However, these models are typically trained and evaluated under ideal, degradation-free imaging conditions, whereas real-world observations often contain degradations that differ significantly from such settings. Improving robustness for multi-view 3D reconstruction under degraded conditions therefore remains an important challenge. We present Geometry-Aware Representation Denoising (GARD), a novel framework that performs diffusion-based multi-view restoration directly in the feature space of a feed-forward 3D reconstruction model. This design exploits the geometry-aware feature representations of the 3D reconstructor to effectively recover accurate scene geometry. Furthermore, by employing an additional RGB image decoder, the refined representations can also be used to restore high-quality RGB images, thereby enabling the simultaneous recovery of 3D scene geometry and high-quality imagery. Comprehensive experiments on the Depth Anything 3 (DA3) benchmark demonstrate the effectiveness of the proposed GARD framework.
• Abstract（参考訳）: 多視点3次元再構成はフィードフォワード3次元再構成モデルの出現によって顕著な進歩を遂げた。 しかしながら、これらのモデルは理想的で劣化のない撮像条件下で訓練され評価されるのに対し、現実の観測ではそのような設定と大きく異なる劣化を含むことが多い。 劣化条件下での多視点3次元再構成の堅牢性向上は依然として重要な課題である。 フィードフォワード3次元再構成モデルの特徴空間に直接拡散に基づく多視点復元を行う新しいフレームワークであるGeometry-Aware Representation Denoising (GARD)を提案する。 この設計は、3次元再構成器の幾何学的特徴表現を利用して、正確なシーン形状を効果的に復元する。 さらに、追加のRGB画像デコーダを用いることで、高品質なRGB画像の復元にも利用でき、3次元シーン形状と高品質な画像の同時回復が可能となる。 Depth Anything 3 (DA3)ベンチマークに関する総合的な実験は、提案されているGARDフレームワークの有効性を実証している。

関連論文リスト

• RealX3D: A Physically-Degraded 3D Benchmark for Multi-view Visual Restoration and Reconstruction [51.07270086169647]
  RealX3Dグループは、照明、散乱、ぼかしを含む4つのファミリーに腐敗し、それぞれを複数の重度レベルで捕獲する。 それぞれのシーンには高解像度キャプチャ、RAW画像、高密度レーザースキャンが含まれており、そこから世界規模のメッシュとメートル法深度を導き出す。
  論文  参考訳（メタデータ） (2025-12-29T12:57:19Z)
• AREA3D: Active Reconstruction Agent with Unified Feed-Forward 3D Perception and Vision-Language Guidance [36.125573065910594]
  アクティブな3D再構成により、エージェントは視点を自律的に選択し、正確で完全なシーン形状を得ることができる。 本研究では,フィードフォワード3次元再構成モデルと視覚言語指導を利用したアクティブリコンストラクションエージェントAREA3Dを提案する。 本フレームワークは、フィードフォワード再構成器からビュー不確実性モデリングを分離し、高価なオンライン最適化を伴わずに正確な不確実性推定を可能にする。
  論文  参考訳（メタデータ） (2025-11-28T06:17:02Z)
• RobustGS: Unified Boosting of Feedforward 3D Gaussian Splatting under Low-Quality Conditions [67.48495052903534]
  本稿では,汎用的で効率的なマルチビュー機能拡張モジュールRobustGSを提案する。 各種の有害撮像条件下でのフィードフォワード3DGS法のロバスト性を大幅に向上させる。 RobustGSモジュールはプラグイン・アンド・プレイ方式で既存の事前訓練パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-05T04:50:29Z)
• An Evaluation of DUSt3R/MASt3R/VGGT 3D Reconstruction on Photogrammetric Aerial Blocks [17.58704237530163]
  3Dコンピュータビジョンアルゴリズムは、スパースで非順序のイメージセットの処理に引き続き進歩している。 近年,3次元再構成のための基礎モデルが注目されている。 本稿では,DUSt3R/MASt3R/VGGTモデルを用いて,ポーズ推定と高密度3次元再構成を行う。
  論文  参考訳（メタデータ） (2025-07-20T03:09:04Z)
• Regist3R: Incremental Registration with Stereo Foundation Model [22.636140424781455]
  コンピュータビジョンの分野では、マルチビュー3D再構成は不可欠だが難しい問題である。 本稿では,効率的かつスケーラブルな漸進的再構築に適した新しいステレオ基礎モデルであるRegist3Rを提案する。 カメラポーズ推定と3次元再構成のための公開データセット上でRegist3Rを評価する。
  論文  参考訳（メタデータ） (2025-04-16T02:46:53Z)
• GeoLRM: Geometry-Aware Large Reconstruction Model for High-Quality 3D Gaussian Generation [65.33726478659304]
  GeoLRM(Geometry-Aware Large Restruction Model)は、512kガウスと21の入力画像で11GBのGPUメモリで高品質な資産を予測できる手法である。 従来の作品では、3D構造の本質的な空間性は無視されており、3D画像と2D画像の間の明示的な幾何学的関係は利用されていない。 GeoLRMは、3Dポイントを直接処理し、変形可能なクロスアテンション機構を使用する新しい3D対応トランスフォーマー構造を導入することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-06-21T17:49:31Z)
• GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
  単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。 本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。 実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
  論文  参考訳（メタデータ） (2024-03-15T12:24:36Z)
• UniSDF: Unifying Neural Representations for High-Fidelity 3D Reconstruction of Complex Scenes with Reflections [87.191742674543]
  大規模な複雑なシーンをリフレクションで再構成できる汎用3次元再構成手法UniSDFを提案する。 提案手法は,複雑な大規模シーンを細部と反射面で頑健に再構築し,全体的な性能を向上する。
  論文  参考訳（メタデータ） (2023-12-20T18:59:42Z)

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。