Fugu-MT 論文翻訳(概要): PRISM: Feed-Forward Single-Image 3D Reconstruction via Geometric Warp-Residual Modeling

論文の概要: PRISM: Feed-Forward Single-Image 3D Reconstruction via Geometric Warp-Residual Modeling

arxiv url: http://arxiv.org/abs/2606.25430v1
Date: Wed, 24 Jun 2026 05:48:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:05:30.235489
Title: PRISM: Feed-Forward Single-Image 3D Reconstruction via Geometric Warp-Residual Modeling
Title（参考訳）: PRISM:幾何ワープ残差モデリングによるフィードフォワード1次元画像再構成
Abstract要約: 単一の画像から3Dシーンを再構築することは、コンピュータビジョンの根本的な課題である。近年の手法は,カメラ制御ビデオ拡散モデルを活用することで,優れた性能を実現している。 PRISMは,多視点遅延予測をパラメータフリーな幾何前処理に分解するフィードフォワードフレームワークである。
参考スコア（独自算出の注目度）: 11.124244013253806
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reconstructing 3D scenes from a single image is a fundamental challenge in computer vision, with broad applications in virtual reality, robotics, and content creation. Recent methods achieve outstanding performance by leveraging camera-controlled video diffusion models, but rely on iterative diffusion sampling, which greatly limits their practical deployment. We observe that geometric forward warping alone can cover the majority of a target view directly from the input image, with only a compact residual left for the encoder to correct. Motivated by this observation, we propose PRISM, a feed-forward framework that decomposes multi-view latent prediction into a parameter-free geometric prior and a learned residual correction, with no diffusion sampling required at inference. To enable generalization from purely synthetic training data, we devise a two-stage training strategy combining latents supervised distillation for geometric generalization and perceptual fine-tuning for appearance quality optimization. Extensive experiments on three benchmarks demonstrate that PRISM achieves competitive reconstruction quality compared with diffusion-based methods, while reducing inference time dramatically to only 36 seconds per scene.
Abstract（参考訳）: 単一のイメージから3Dシーンを再構築することは、仮想現実、ロボティクス、コンテンツ制作に広く応用されているコンピュータビジョンの基本的な課題である。近年の手法はカメラ制御ビデオ拡散モデルを活用することで優れた性能を発揮するが、反復拡散サンプリングに依存しており、実際の展開を著しく制限している。入力画像から直接、幾何学的前方歪みだけでターゲットビューの大多数をカバーできることを観察し、エンコーダの補正には、コンパクトな残差しか残っていない。そこで本研究では,多視点遅延予測をパラメータフリーな幾何事前と学習された残差補正に分解するフィードフォワードフレームワークであるPRISMを提案する。純合成トレーニングデータからの一般化を実現するため,幾何学的一般化のための蒸留法と外観品質最適化のための知覚的微調整法を併用した2段階のトレーニング戦略を考案した。 3つのベンチマークでの大規模な実験により、PRISMは拡散に基づく手法と比較して競争力のある再現性を達成する一方で、推論時間を劇的に減らし、1シーンあたり36秒に短縮することを示した。

関連論文リスト

VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
VidSplatは、トレーニング不要な生成的再構築フレームワークである。生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
論文参考訳（メタデータ） (2026-05-12T02:20:31Z)
Learning 3D Reconstruction with Priors in Test Time [38.04707926304637]
本稿では,事前学習した画像のみのネットワークを再トレーニングしたり修正したりすることなく,3Dタスクを改善するための事前処理を組み込んだマルチビュートランスフォーマー(MVT)のテストタイムフレームワークを提案する。提案手法は,ベースMVTよりも高いマージンで連続的に性能を向上する。
論文参考訳（メタデータ） (2026-04-04T22:10:28Z)
Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
論文参考訳（メタデータ） (2025-11-24T01:13:51Z)
CHROMA: Consistent Harmonization of Multi-View Appearance via Bilateral Grid Prediction [30.088316989385106]
カメラパイプラインは、露光調整、ホワイトバランス、色補正など、デバイス上の広範な処理を適用する。外観の変化は複数ビューの一貫性に反し、新しいビュー合成を劣化させる。多視点一貫した方法で測光変動を補正するために、空間適応型二元格子を予測できる一般化可能なフィードフォワード手法を提案する。
論文参考訳（メタデータ） (2025-07-21T16:03:58Z)
ACT-R: Adaptive Camera Trajectories for Single View 3D Reconstruction [16.03389355810877]
多視点合成に適応的な視点計画法を導入する。我々は3次元コヒーレンスを高めるために時間的一貫性を活用して一連のビューを生成する。
論文参考訳（メタデータ） (2025-05-13T05:31:59Z)
DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion [53.70278210626701]
マルチビュー画像から3次元シーン形状とカメラポーズを直接推定するデータ駆動型マルチビュー推論手法を提案する。我々のフレームワークであるDiffusionSfMは、シーン幾何学とカメラを、グローバルフレーム内のピクセルワイズ線源とエンドポイントとしてパラメータ化します。我々は、DiffusionSfMを合成データセットと実データセットの両方で実証的に検証し、古典的および学習ベースのアプローチよりも優れていることを示す。
論文参考訳（メタデータ） (2025-05-08T17:59:47Z)
Efficient One-Step Diffusion Refinement for Snapshot Compressive Imaging [8.819370643243012]
Coded Aperture Snapshot Spectral Imaging (CASSI)は3次元マルチスペクトル画像(MSI)を撮影するための重要な技術である現在の最先端の手法は、主にエンドツーエンドであり、高周波の詳細を再構築する際の制限に直面している。本稿では,Snapshot Compressive Imagingのための自己教師型適応フレームワークにおいて,新しい1段階拡散確率モデルを提案する。
論文参考訳（メタデータ） (2024-09-11T17:02:10Z)
Unfolding Framework with Prior of Convolution-Transformer Mixture and Uncertainty Estimation for Video Snapshot Compressive Imaging [7.601695814245209]
本稿では, 連続する高速フレームを異なるマスクで変調し, 単一の計測でキャプチャする, ビデオスナップショット圧縮画像(SCI)の問題点について考察する。最適化アルゴリズムとニューラルネットワークを組み合わせることで、ディープ・アンフォールディング・ネットワーク(DUN)は、逆問題の解決において大きな成果を上げた。
論文参考訳（メタデータ） (2023-06-20T06:25:48Z)
Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
論文参考訳（メタデータ） (2023-05-24T14:00:32Z)
Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction [77.69363640021503]
3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
論文参考訳（メタデータ） (2023-04-13T17:59:01Z)
LiP-Flow: Learning Inference-time Priors for Codec Avatars via Normalizing Flows in Latent Space [90.74976459491303]
実行時入力に条件付けされた先行モデルを導入し、この先行空間を潜伏空間の正規化フローを介して3次元顔モデルに結びつける。正規化フローは2つの表現空間をブリッジし、潜在サンプルをある領域から別の領域に変換することで、潜在可能性の目的を定義する。提案手法は,表情のダイナミックスや微妙な表現をよりよく捉えることによって,表現的かつ効果的に先行することを示す。
論文参考訳（メタデータ） (2022-03-15T13:22:57Z)

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。