論文の概要: BA-T: An Iterative Transformer for Two-View Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2606.03287v1
• Date: Tue, 02 Jun 2026 07:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 10:57:21.728268
• Title: BA-T: An Iterative Transformer for Two-View Bundle Adjustment
• Title（参考訳）: BA-T:2ビューバンドル調整のための反復変換器
• Authors: Ganlin Zhang, Weirong Chen, Daniel Cremers, Xi Wang,
• Abstract要約: 暗黙のトークン空間における繰り返し可能なレイヤとして,BAスタイルの構造化更新を実装した反復変換器であるBA-Tを提案する。 実験により、BA-Tは反復間におけるポーズと再構成の精度を徐々に改善することが示された。 BA-Tは、奥行き重心に対するコンパクトで効率的で構造的な代替手段を提供し、軽量アーキテクチャ内で正確な3D再構成を可能にする。
• 参考スコア（独自算出の注目度）: 53.16990349592508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward models for 3D reconstruction have achieved strong performance using deep cross-view attention to exchange information across images. However, these approaches often depend on heavy decoder stacks and lack a structured mechanism for geometry refinement, resulting in poor multi-view consistency. We address this by drawing inspiration from classical bundle adjustment (BA), which can be viewed as an iterative information propagation process between poses and local geometry. Inspired by BA, we propose BA-T, an iterative Transformer that implements BA-style structured updates as a repeatable layer in implicit token space. Instead of relying on deep attention stacks, BA-T refines predictions based on latent residual by a single lightweight layer. Experiments demonstrate that BA-T progressively improves pose and reconstruction accuracy across iterations, achieves stronger cross-view consistency than conventional decoders, and matches or surpasses substantially larger models while using only 16% of their decoder parameters. BA-T provides a compact, efficient, and structural alternative to depth-heavy attention, enabling accurate 3D reconstruction within a lightweight architecture. The code will be made publicly at https://github.com/zhangganlin/BA-T.
• Abstract（参考訳）: 3次元再構成のためのフィードフォワードモデルは、画像間で情報交換を行うために、深いクロスビューアテンションを用いて、強力なパフォーマンスを実現している。 しかしながら、これらのアプローチは重いデコーダスタックに依存し、幾何学的洗練のための構造的なメカニズムが欠如しており、結果としてマルチビューの整合性が低下する。 我々は、ポーズと局所幾何学の間の反復的な情報伝達プロセスと見なせる古典的なバンドル調整(BA)からインスピレーションを得て、この問題に対処する。 BAにインスパイアされたBA-Tは,暗黙のトークン空間において,BAスタイルの構造化更新を繰り返すレイヤとして実装する反復変換器である。 BA-Tは、深い注意のスタックに頼る代わりに、単一の軽量層による潜在残差に基づく予測を洗練する。 実験により、BA-Tは反復間のポーズと再構成の精度を徐々に改善し、従来のデコーダよりも強いクロスビュー一貫性を実現し、デコーダパラメータの16%しか使用せず、かなり大きなモデルにマッチまたは超えていることが示された。 BA-Tは、奥行き重心に対するコンパクトで効率的で構造的な代替手段を提供し、軽量アーキテクチャ内で正確な3D再構成を可能にする。 コードはhttps://github.com/zhangganlin/BA-T.comで公開される。

関連論文リスト

• Déjà View: Looping Transformers for Multi-View 3D Reconstruction [109.98721386523641]
  最近のフィードフォワード3次元再構成変換器は10億以上のパラメータに拡張されている。 モデルの深さは、部分的にイテレーションを購入し、ユニークなパラメータで非効率に支払い、代わりにアーキテクチャでそのイテレーションを明示することを示しています。 我々のモデルであるDéjViewは、1つのループ変換ブロックをK精細ステップのビュー毎の機能に繰り返し適用する。
  論文  参考訳（メタデータ） (2026-05-28T16:47:48Z)
• TurboVGGT: Fast Visual Geometry Reconstruction with Adaptive Alternating Attention [21.29668311125256]
  TurboVGGTは、高速なマルチビュー3D再構成のために適応的注目を交互に行う効率的な視覚幾何学変換器を採用している。 適応的疎大なグローバルな注目の中で、TurboVGGTはグローバル幾何モデリングのための様々な空間レベルを持つ代表トークンを適応的に学習する。 複数の3次元再構成ベンチマーク実験により,TurboVGGTは高速な多視点再構成を実現し,競争力のある再構成品質を維持した。
  論文  参考訳（メタデータ） (2026-05-14T03:24:09Z)
• Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction [50.5449251266956]
  本稿では,長い映像シーケンスから大規模3Dシーンを再構築する作業について述べる。 近年のフィードフォワード再構成モデルでは,RGB画像からの3次元幾何を,明示的な3次元先行や幾何学的制約なく直接回帰することで,有望な結果を示している。 本稿では,長距離シーン情報を効率よく圧縮し,保持するニューラルグローバルコンテキスト表現を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:59:50Z)
• 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)
• HeBA: Heterogeneous Bottleneck Adapters for Robust Vision-Language Models [3.8707695363745214]
  HeBA(Heterogeneous Bottleneck Adapter)は、モダリティ固有の帰納バイアスを導入する統一アーキテクチャフレームワークである。 HeBAは2次元奥行き分離可能な畳み込みを通じて視覚トークンを処理し、空間的相関を保存する。 標準的な拡張アダプタとは異なり、HeBAは圧縮ボトルネックを採用し、モデルにコンパクトで堅牢な特徴を明示的に学習させる。
  論文  参考訳（メタデータ） (2026-03-17T15:23:04Z)
• Fin3R: Fine-tuning Feed-forward 3D Reconstruction Models via Monocular Knowledge Distillation [16.22677555146353]
  Fin3Rはフィードフォワード3次元再構成モデルのためのシンプルで効果的で汎用的な微調整法である。 DUSt3R, MASt3R, CUT3R, VGGT など幅広いモデルで本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-11-27T13:10:19Z)
• LARM: A Large Articulated-Object Reconstruction Model [29.66486888001511]
  LARMは、スパースビュー画像から3Dの明瞭なオブジェクトを再構成する統合フィードフォワードフレームワークである。 LARMは、ディープマップやパートマスクなどの補助出力を生成し、明示的な3Dメッシュ抽出と関節推定を容易にする。 我々のパイプラインは、密集した監視の必要性を排除し、多様な対象カテゴリにわたる高忠実度再構築をサポートする。
  論文  参考訳（メタデータ） (2025-11-14T18:55:27Z)
• 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)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)

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。