論文の概要: 3D Consistency Optimization for Self-Supervised Monocular Video Depth Estimation
- arxiv url: http://arxiv.org/abs/2606.15681v1
- Date: Sun, 14 Jun 2026 08:56:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.79189
- Title: 3D Consistency Optimization for Self-Supervised Monocular Video Depth Estimation
- Title（参考訳）: 自己監督型単眼ビデオ深度推定のための3次元一貫性最適化
- Abstract要約: 本稿では,連続的な映像深度推定を制約のないマルチビュー3D再構成問題として再放送する新しいパラダイムを提案する。
我々のアプローチは、画像レベルの測光レンダリング、鮮明な世界座標幾何アライメント、マルチスケールの時間勾配一貫性の3つの制約によって駆動される。
提案手法は,フレームベース,映像ベース深度推定器,多視点3D再構成ベースラインよりも高い精度で,最先端の空間精度を実現する。
- 参考スコア（独自算出の注目度）: 21.287558280133076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable monocular video depth estimation is crucial for downstream 3D reasoning and embodied AI in endoscopic navigation. However, existing self-supervised approaches typically treat video frames independently or rely on weak temporal regularization. These methods, lacking a holistic perception of the underlying 3D scene, inevitably suffer from geometrically inconsistent predictions and severe cross-frame drift. To address these limitations, we introduce a new paradigm that recasts sequential video depth estimation as an unconstrained multi-view 3D reconstruction problem, enabling full exploitation of the powerful geometric priors embedded in recent 3D foundation models. The core of our approach is a 3D consistency optimization framework driven by three constraints: image-level photometric rendering, explicit world-coordinate geometric alignment, and multi-scale temporal gradient consistency. Such unified optimization elegantly anchors isolated frames to a globally coherent 3D structure. Our method has been validated in both the self-supervised training scenarios and challenging zero-shot clinical environments. Results show that the proposed approach achieves state-of-the-art spatial accuracy, outperforming the frame-based, video-based depth estimators and the multi-view 3D reconstruction baselines.
- Abstract（参考訳）: 信頼性の高い単眼ビデオ深度推定は、内視鏡ナビゲーションにおける下流3D推論とAIの具体化に不可欠である。
しかし、既存の自己監督的アプローチは、通常、ビデオフレームを独立に扱うか、あるいは弱い時間的正規化に依存している。
これらの手法は、基礎となる3Dシーンの全体的認識を欠いているが、必然的に幾何学的に矛盾した予測と厳しいクロスフレームドリフトに悩まされている。
これらの制約に対処するため,近年の3次元基礎モデルに埋め込まれた強力な幾何学的先行要素のフル活用を可能にする,連続的な映像深度推定を制約のないマルチビュー3次元再構成問題として再キャストする新たなパラダイムを導入する。
提案手法のコアとなるのは3つの制約により駆動される3次元整合性最適化フレームワークである。
このような統一最適化は、孤立フレームをグローバルなコヒーレントな3D構造にエレガントに固定する。
本手法は, 自己監督訓練シナリオとゼロショット臨床環境の両面で検証されている。
提案手法は,フレームベース,映像ベース深度推定器,多視点3D再構成ベースラインよりも高い精度で,最先端の空間精度を実現する。
関連論文リスト
- View-Adaptive Renderer for View-Consistent 2D-to-3D Generation [2.8951915538170288]
単一の画像から3D形状を再構築することは、コンピュータビジョンの根本的な問題でありながら難しい問題である。
従来の単分子3D生成パイプラインは、Neural Radiance Field (NeRF)ベースの再構成を適用する前に、1つの入力画像から複数のビューを合成する。
本稿では、部分的に矛盾したマルチビュー入力をしても頑健な3次元再構成を可能にする視点適応型レンダリングニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T04:28:08Z) - GeoRect4D: Geometry-Compatible Generative Rectification for Dynamic Sparse-View 3D Reconstruction [16.448484686109992]
マルチビュービデオからダイナミックな3Dシーンを再構築することは、しばしば幾何学的な崩壊、軌道のドリフト、浮き彫りのアーティファクトに繋がる、非常に不適切である。
最近の試みでは、欠落したコンテンツに幻覚を与える遺伝子前駆体を導入しているが、ナイーブな統合はしばしば構造的ドリフトと時間的不整合を引き起こす。
そこで本稿では, 疎視動的再構成のための新しい統合フレームワークであるGeoRect4Dを提案する。
論文 参考訳（メタデータ） (2026-04-22T17:12:02Z) - Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors [61.34273238077091]
本稿では,物体の単一画像からオービタルビデオを生成する新しい手法を提案する。
本手法は,最先端の手法と比較して,視覚的品質,形状リアリズム,多視点整合性を実現している。
論文 参考訳（メタデータ） (2026-04-14T05:35:46Z) - GeoVideo: Introducing Geometric Regularization into Video Generation Model [46.38507581500745]
フレームごとの深度予測による潜時拡散モデルの拡大により,ビデオ生成に幾何正則化損失を導入する。
本手法は, 外観生成と3次元構造モデリングのギャップを埋めることにより, 構造的コヒーレンス・時間的形状, 整合性, 物理的妥当性が向上する。
論文 参考訳（メタデータ） (2025-12-03T05:11:57Z) - TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。
近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。
本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-02T02:22:20Z) - GaVS: 3D-Grounded Video Stabilization via Temporally-Consistent Local Reconstruction and Rendering [54.489285024494855]
ビデオの安定化は、元のユーザの動きの意図を保ちながら、望ましくないシャキネスを除去するので、ビデオ処理に欠かせない。
既存のアプローチは、運用するドメインによって、ユーザエクスペリエンスを低下させるいくつかの問題に悩まされます。
ビデオの安定化を時間的に一貫性のある局所的再構成とレンダリングのパラダイムとして再構成する,新しい3Dグラウンドアプローチである textbfGaVS を紹介する。
論文 参考訳（メタデータ） (2025-06-30T15:24:27Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。
提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
論文 参考訳（メタデータ） (2024-05-17T07:31:20Z) - FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。
本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
論文 参考訳（メタデータ） (2023-08-10T17:55:02Z)
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。