論文の概要: One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models
- arxiv url: http://arxiv.org/abs/2606.29600v1
- Date: Sun, 28 Jun 2026 20:54:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.979043
- Title: One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models
- Title（参考訳）: 一つのシーンと2つの深さ:単分子モデルにおける幾何学的曖昧さの探索
- Abstract要約: 忠実な3D世界表現は、単一のカメラ線が複数の有効な曲面を含むような層状幾何学を考慮に入れなければならない。
単眼深度推定は、この構造を1ピクセルあたりのスカラー深度に還元する。
透明なシーンは、この曖昧さを計測し、監督対象をシーン固有の真実ではなく、アノテーション、データ、トレーニングの慣習に変える。
深層選好と多層空間関係の精度を測定するためのスパースベンチマークであるMultiDepth-3kを紹介する。
- 参考スコア（独自算出の注目度）: 27.522658390957886
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A faithful 3D world representation should account for layered geometry, where a single camera ray may contain multiple visible and geometrically valid surfaces. Monocular depth estimation, however, reduces this structure to one scalar depth per pixel. Transparent scenes make this ambiguity measurable: the same ray can pass through foreground glass and observe the background, turning the supervised target into a convention of annotation, data, and training rather than a scene-intrinsic truth. A learned predictor exposes this convention as its depth-layer preference. We introduce MultiDepth-3k (MD-3k), a sparse two-layer ordinal benchmark for measuring depth-layer preference and multi-layer spatial relationship accuracy (ML-SRA). On MD-3k, leading depth foundation models exhibit diverse layer preferences under standard RGB input, showing that the same layered geometry can be resolved differently across models. We further find that Laplacian Visual Prompting (LVP), a training-free spectral input transformation, can substantially change the reported layer for certain frozen models. The strongest RGB/LVP pair, DAv2-L, reaches 75.5% ML-SRA. These results suggest that depth foundation models may express complementary geometric hypotheses that standard RGB inference leaves unexpressed. We invite the community to rethink depth supervision and evaluation through an ambiguity-aware lens, where multiple valid 3D interpretations are treated as geometric structure to be measured, preserved, and expressed.
- Abstract（参考訳）: 忠実な3D世界表現は、単一のカメラ線が複数の可視かつ幾何学的に妥当な表面を含むような層状幾何学を考慮に入れなければならない。
しかし、単分子深度推定は、この構造を1ピクセルあたりのスカラー深度に還元する。
同じ光線が前景のガラスを通り抜け、背景を観察し、監督対象をシーン固有の真実ではなく、注釈、データ、訓練の慣習に変える。
学習した予測器は、この慣習を深層的嗜好として公開する。
深層選好と多層空間関係精度(ML-SRA)を測定するための2層オーディタルベンチマークであるMultiDepth-3k(MD-3k)を紹介する。
MD-3kでは、先行深度基礎モデルでは、標準RGB入力の下で様々な層優先性を示し、同じ層構造をモデル間で異なる方法で解けることを示す。
さらに、学習不要なスペクトル入力変換であるラプラシアン・ビジュアル・プロンプティング(LVP)が、特定の凍結モデルに対して報告された層を実質的に変更できることが判明した。
最強のRGB/LVPペアであるDAv2-Lは75.5%のML-SRAに達した。
これらの結果は,標準RGB推論が未表現のままであるという相補的幾何学的仮説を,奥行き基礎モデルで表現できることを示唆している。
複数の有効な3D解釈を幾何学的構造として扱い, 測定, 保存, 表現するアンビグニティ対応レンズを用いて, 奥行きの監視と評価を再考するよう, コミュニティに呼びかける。
関連論文リスト
- Modeling Depth Ambiguity: A Mixture-Density Representation for Flying-Point-Free Depth Estimation [8.804840425287612]
物体の境界付近では、深度推定器は前景と背景の間の空き空間の3D点をしばしば予測する。
MDAは混合密度の表現で、モデルが各ピクセルに対して多重深度仮説とそれらの関連する確率を予測することができる。
異なるバックボーン全体にわたって、MDAは境界再構築を大幅に改善し、深刻な入力のぼかしの下でも飛行点のアーティファクトを大幅に除去する。
同じ混合密度のフレームワークは自然に透明な物体に拡張され、透明なピクセルで複数の深度層を予測する。
論文 参考訳（メタデータ） (2026-06-01T17:50:28Z) - Demo-Pose: Depth-Monocular Modality Fusion For Object Pose Estimation [5.466547563815996]
本稿では,RGB-D入力からのカテゴリレベルの9-DoFポーズ推定の課題をCADモデルに頼らずに解決する。
深度に基づくグラフ畳み込み表現とセマンティック特徴を融合したハイブリッドアーキテクチャであるDeMo-Poseを提案する。
提案手法は,オブジェクトカテゴリ間のリアルタイム推論を実現し,最先端の手法を大幅に改善する。
論文 参考訳（メタデータ） (2026-03-29T05:58:04Z) - StarryGazer: Leveraging Monocular Depth Estimation Models for Domain-Agnostic Single Depth Image Completion [56.28564075246147]
StarryGazerは、単一のスパース深度画像とRGB画像から高密度深度画像を予測するフレームワークである。
我々は、相対深度画像を生成するために、事前訓練されたMDEモデルを用いる。
モデルの精度とロバスト性を改善するために、相対深度マップとRGBイメージを組み込んだ合成ペアを用いて改良ネットワークを訓練する。
論文 参考訳（メタデータ） (2025-12-15T09:56:09Z) - IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。
本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
論文 参考訳（メタデータ） (2025-10-26T14:57:44Z) - Dens3R: A Foundation Model for 3D Geometry Prediction [44.13431776180547]
Dens3Rは幾何学的密度予測のための3次元基礎モデルである。
画像対マッチング機能と本質的不変性モデリングを統合することにより、Dens3Rは複数の幾何学的量を正確に回帰する。
論文 参考訳（メタデータ） (2025-07-22T07:22:30Z) - Towards Ambiguity-Free Spatial Foundation Model: Rethinking and Decoupling Depth Ambiguity [20.86484181698326]
決定論的予測に限定された既存のモデルは、現実世界の多層深度を見落としている。
単一予測から多仮説空間基盤モデルへのパラダイムシフトを導入する。
論文 参考訳（メタデータ） (2025-03-08T02:33:54Z) - Metric3Dv2: A Versatile Monocular Geometric Foundation Model for Zero-shot Metric Depth and Surface Normal Estimation [74.28509379811084]
Metric3D v2は、ゼロショット距離深さと1枚の画像からの表面正規推定のための幾何学的基礎モデルである。
距離深度推定と表面正規度推定の両方の解を提案する。
本手法は, ランダムに収集したインターネット画像上での計測3次元構造の正確な復元を可能にする。
論文 参考訳（メタデータ） (2024-03-22T02:30:46Z) - Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。
具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。
本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-07-29T12:30:39Z) - Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust
Depth Prediction [87.08227378010874]
深度予測における高次3次元幾何学的制約の重要性を示す。
単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。
The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
論文 参考訳（メタデータ） (2021-03-07T00:08:21Z) - GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement
for Joint Depth and Surface Normal Estimation [204.13451624763735]
本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。
geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。
画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
論文 参考訳（メタデータ） (2020-12-13T06:48:01Z)
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。