論文の概要: Lite Any Stereo V2: Faster and Stronger Efficient Zero-Shot Stereo Matching

• arxiv url: http://arxiv.org/abs/2606.24457v1
• Date: Tue, 23 Jun 2026 11:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.931124
• Title: Lite Any Stereo V2: Faster and Stronger Efficient Zero-Shot Stereo Matching
• Title（参考訳）: Lite Any Stereo V2:より速く、より強力なゼロショットステレオマッチング
• Authors: Junpeng Jing, Ronglai Zuo, Zhelun Shen, Shangchen Zhou, Rolandos Alexandros Potamias, Stefanos Zafeiriou, Krystian Mikolajczyk, Jiankang Deng,
• Abstract要約: Lite Any Stereo V2は、効率的なゼロショットステレオマッチング用に設計された超高速モデルシリーズである。 LAS2はアーキテクチャとトレーニングの両方の観点から開発されている。 LAS2-Hは、反復的なFast-FoundationStereoよりも、全体的なゼロショットのパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 96.63979376005277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in stereo matching have achieved remarkable accuracy, but often rely on large models, heavy computation, or additional foundation-model priors, making them difficult to deploy on resource-constrained platforms. In contrast, efficient stereo models offer faster inference but are commonly considered less capable of strong zero-shot generalization. In this paper, we challenge this assumption by introducing Lite Any Stereo V2 (LAS2), an ultra-fast model series designed for efficient zero-shot stereo matching. LAS2 is developed from both architecture and training perspectives. Architecturally, we revisit efficient stereo design under practical deployment settings and propose a 2D-only cost aggregation framework, optimized for real inference latency rather than theoretical MACs alone. For training, we develop a three-stage strategy that combines synthetic supervision, self-distillation, and real-world knowledge distillation. To improve the reliability of real-world pseudo supervision, we further introduce pseudo-label filtering and an error-clamping operation, enabling smoother synthetic-to-real transfer. We instantiate LAS2 as a family of models, including feed-forward variants for different efficiency budgets and an iterative variant for higher accuracy. Extensive experiments show that LAS2 achieves state-of-the-art accuracy among efficient stereo methods while maintaining significantly lower latency. Specifically, LAS2-H achieves stronger overall zero-shot performance than the iterative method Fast-FoundationStereo, with 1.8x and 2.7x faster inference on H200 and Orin, respectively. The project page, demos, and code are available at https://tomtomtommi.github.io/LiteAnyStereoV2/.
• Abstract（参考訳）: ステレオマッチングの最近の進歩は目覚ましい精度を達成しているが、しばしば大きなモデル、重い計算、あるいは追加の基礎モデルに頼っているため、リソースに制約のあるプラットフォームへのデプロイが困難である。 対照的に、効率的なステレオモデルはより高速な推論を提供するが、強いゼロショット一般化の能力は低いと考えられている。 本稿では,効率的なゼロショットステレオマッチングのために設計された超高速モデル系列であるLite Any Stereo V2(LAS2)を導入することで,この仮定に挑戦する。 LAS2はアーキテクチャとトレーニングの両方の観点から開発されている。 アーキテクチャ上,実運用環境下での効率的なステレオ設計を再検討し,理論MACのみではなく,実際の推論遅延に最適化された2次元のみのコスト集約フレームワークを提案する。 トレーニングには, 総合的な指導, 自己蒸留, 実世界の知識蒸留を組み合わせた3段階の戦略を開発する。 実世界の疑似監視の信頼性を向上させるため,擬似ラベルフィルタリングと誤りクランプ処理を導入し,よりスムーズな合成と現実の転送を可能にする。 我々はLAS2をモデル群としてインスタンス化し、異なる効率予算のためのフィードフォワード変種とより高精度な反復変種を含む。 広範囲な実験により、LAS2は効率のよいステレオメソッド間で最先端の精度を達成し、レイテンシを著しく低く保っていることが示された。 具体的には、LAS2-Hは反復法であるFast-FoundationStereoよりも全体的なゼロショット性能が強く、それぞれH200とOrinで1.8倍と2.7倍高速である。 プロジェクトページ、デモ、コードはhttps://tomtommmi.github.io/LiteAnyStereoV2/.comで公開されている。

関連論文リスト

• Fast-FoundationStereo: Real-Time Zero-Shot Stereo Matching [16.927491376135134]
  我々はFast-FoundationStereo(ファスト・ファウンデーション・ステーオ)という,リアルタイムフレームレートでゼロショットの強力な一般化を実現するアーキテクチャのファスト・ファウンデーション・ステーオ(ファスト・ファウンデーション・ステーオ)を提示する。 我々は,知識蒸留,ブロックワイドニューラルアーキテクチャ探索,構造化プルーニングという3つのコンポーネントによる分別/対数加速戦略を採用している。 結果のモデルはFoundationStereoの10倍高速で動作でき、ゼロショットの精度は密に一致している。
  論文  参考訳（メタデータ） (2025-12-11T21:36:29Z)
• PrismAudio: Decomposed Chain-of-Thoughts and Multi-dimensional Rewards for Video-to-Audio Generation [57.864929968616586]
  Video-to-Audio (V2A) の生成には、4つの重要な知覚次元のバランスが必要である。 私たちは、強化学習をV2A世代に統合する最初のフレームワークであるPrismAudioを紹介します。
  論文  参考訳（メタデータ） (2025-11-24T07:11:12Z)
• Lite Any Stereo: Efficient Zero-Shot Stereo Matching [21.89511226115265]
  Lite Any Stereoは、高効率を維持しながら強力なゼロショット一般化を実現するフレームワークである。 我々のモデルは、最先端の非原始的精度の手法に匹敵する精度を得る。
  論文  参考訳（メタデータ） (2025-11-20T17:07:06Z)
• SimpleGVR: A Simple Baseline for Latent-Cascaded Video Super-Resolution [46.311223206965934]
  後続の超解像モデルの設計原理について検討し,その設計原理について検討する。 まず、ベースモデルの出力特性をよりよく模倣し、VSRモデルと上流ジェネレータとの整合性を確保するための2つのトレーニングペアを生成する方法を提案する。 第2に,(1)時間ステップサンプリング戦略,(2)低分解能(LR)入力に対する雑音増強効果の系統的解析を通じて,VSRモデル行動に対する批判的洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-24T17:57:26Z)
• LightStereo: Channel Boost Is All You Need for Efficient 2D Cost Aggregation [27.00836175513738]
  LightStereoは、マッチングプロセスを加速するために作られた最先端のステレオマッチングネットワークである。 私たちのブレークスルーは、3Dコストボリュームのチャネル次元に特化してパフォーマンスを向上させることです。 LightStereoは、SceneFlowデータセットで競合するEPEメトリックを達成し、最低でも22GFLOPと17msのランタイムを必要とする。
  論文  参考訳（メタデータ） (2024-06-28T11:11:24Z)
• RomniStereo: Recurrent Omnidirectional Stereo Matching [6.153793254880079]
  本稿では,全方向ステレオマッチング (RomniStereo) アルゴリズムを提案する。 我々の最良のモデルは、以前のSOTAベースラインよりも平均MAE値が40.7%向上する。 結果の可視化では, 合成例と実例の両方において, 明らかな優位性を示す。
  論文  参考訳（メタデータ） (2024-01-09T04:06:01Z)
• Towards Fast, Accurate and Stable 3D Dense Face Alignment [73.01620081047336]
  本稿では,速度,精度,安定性のバランスをとる3DDFA-V2という新しい回帰フレームワークを提案する。 本研究では,静止画を平面内と面外の動きを取り入れた映像に変換する仮想合成法を提案する。
  論文  参考訳（メタデータ） (2020-09-21T15:37:37Z)

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。