論文の概要: Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2606.22787v1
• Date: Mon, 22 Jun 2026 02:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:37:55.216649
• Title: Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction
• Title（参考訳）: 野生における視覚幾何学変換器:ディトラクタフリー3次元再構成
• Authors: Tianbo Pan, Xingyi Yang, Shizun Wang, Xinchao Wang,
• Abstract要約: 現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。 この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。 非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
• 参考スコア（独自算出の注目度）: 77.75911117889915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current end-to-end multi-view 3D reconstruction methods achieve impressive results, but rely on a restrictive static assumption: the scenes is entire distractor-free with perfect cross-view geometry. This reliance on idealized inputs causes even the most advanced methods to fail in real-world settings, where transient distractors and occlusions present. To address this, we propose Visual Geometry Transformer in the Wild (VGTW), an end-to-end framework for robust reconstruction from inconsistent views. At its core, we isolate and suppress distractor-affected regions while preserving the consistent components across views. Specifically, we introduce a Distractor-aware Training (DAT) strategy that separates clean features from distractor-contaminated ones in the attention mechanism while enforcing feature consistency across images. To enable this, we train the model with an auxiliary mask prediction head, using supervision from a new dataset we collected with pixel-level distractor masks. The resulting VGTW model is a feed-forward network that directly outputs clean, distractor-free point clouds. Remarkably, it requires no additional 3D supervision, remains computationally efficient, and is compatible with existing pipelines. Extensive experiments validate our approach, demonstrating state-of-the-art performance and robust generalization in diverse, real-world scenarios.
• Abstract（参考訳）: 現在のエンド・ツー・エンドのマルチ・ツー・エンドの3D再構成手法は印象的な結果を得るが、制限的な静的仮定に依存している。 この理想的な入力への依存は、過渡的なインタプリタとオクルージョンが存在する現実世界の設定において、最も先進的な方法でさえも失敗する。 これを解決するために,不整合ビューからの堅牢な再構築のためのエンドツーエンドフレームワークであるVisual Geometry Transformer in the Wild (VGTW)を提案する。 その中核となるのは、ビューをまたいだ一貫したコンポーネントを保ちながら、障害のある領域を分離し、抑制することである。 具体的には、画像間の特徴整合性を確保しつつ、注意機構において、クリーンな特徴とトラクタ汚染した特徴とを分離するDAT(Distractor-Aware Training)戦略を導入する。 これを実現するために、我々は、画素レベルのトラクタマスクを用いて収集した新しいデータセットの監督を用いて、補助マスク予測ヘッドを用いてモデルを訓練する。 結果として得られるVGTWモデルはフィードフォワードネットワークであり、クリーンで散逸のない点雲を直接出力する。 注目すべきは、追加の3D監視が不要で、計算効率が保たれ、既存のパイプラインと互換性があることだ。 多様な実世界のシナリオにおいて、最先端の性能と堅牢な一般化を実証し、我々のアプローチを検証する。

関連論文リスト

• TriSplat: Simulation-Ready Feed-Forward 3D Scene Reconstruction [65.03268438396556]
  TriSplatは、向き付けられた三角形のプリミティブを持つシーンを表すフィードフォワード再構築ネットワークである。 シミュレーション可能なメッシュシーンを1つのフォワードパスからエクスポートする。 RealEstate10K と DL3DV の実験により、この表現はガウスのフィードフォワードベースラインよりも幾何に忠実な再構成を生成することが示された。
  論文  参考訳（メタデータ） (2026-05-25T17:59:53Z)
• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• To View Transform or Not to View Transform: NeRF-based Pre-training Perspective [15.748407383575604]
  本研究では, 連続した3次元表現を学習し, ビュー変換の誤りを回避できる新しいNeRF-Resembled Pointベースの3D検出器を提案する。 NeRP3Dは、タスクに関わらず、事前訓練されたNeRFネットワークを保持し、連続した3D表現学習の原則を継承する。
  論文  参考訳（メタデータ） (2026-03-30T06:46:34Z)
• Emergent Outlier View Rejection in Visual Geometry Grounded Transformers [45.83800698097105]
  ノイズ」画像関連入力は、視界がほとんど、あるいは全くないが、他の画像と重なり合うため、Wild画像コレクションからの信頼性の高い3D再構成を妨げている。 従来のStructure-from-Motionパイプラインは、幾何学的検証とoutlier rejectionを通じてそのようなケースを扱う。 本稿では,既存のフィードフォワード再構成モデルであるVGGTが,イントラクタイメージを本質的に区別できることを示す。
  論文  参考訳（メタデータ） (2025-12-03T17:48:25Z)
• Understanding Multi-View Transformers [18.573401296925844]
  DUSt3Rのようなマルチビュートランスフォーマーは、フィードフォワード方式で3Dタスクを解くことで3Dビジョンに革命をもたらしている。 本稿では,多層変換器の残差接続から3次元表現を探索・可視化する手法を提案する。
  論文  参考訳（メタデータ） (2025-10-28T19:19:35Z)
• IGFuse: Interactive 3D Gaussian Scene Reconstruction via Multi-Scans Fusion [15.837932667195037]
  IGFuseは対話型ガウスシーンを複数のスキャンから観測することで再構成する新しいフレームワークである。 本手法は,ガウス場を意識したセグメンテーションを構築し,スキャン間の双方向光度・セマンティック一貫性を実現する。 IGFuseは、密度の高い観測や複雑なパイプラインを使わずに、高忠実なレンダリングとオブジェクトレベルのシーン操作を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T17:59:47Z)
• Robust 3D Gaussian Splatting for Novel View Synthesis in Presence of Distractors [44.55317154371679]
  3D Gaussian Splattingは素晴らしいビュー合成結果を示している。 静的なシーンの入力データを汚染する動的オブジェクトに対して脆弱である。 提案手法は,多種多様な気晴らしに対して堅牢であり,気晴らしシーンのレンダリング品質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-08-21T15:21:27Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• 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)

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。