論文の概要: Emergence of a Shared Canonical Object Frame from In-the-Wild Videos

• arxiv url: http://arxiv.org/abs/2606.30058v1
• Date: Mon, 29 Jun 2026 09:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.171395
• Title: Emergence of a Shared Canonical Object Frame from In-the-Wild Videos
• Title（参考訳）: In-the-Wildビデオからの共有正準物体フレームの創出
• Abstract要約: 野生で撮影されたオブジェクト中心のビデオの自己教師型トレーニングから、共有された標準フレームが出現することを示します。 本手法は,標準ポーズ監視に依存する手法と比較して,カテゴリーレベルのポーズ推定ベンチマークにおける競合精度を実現する。
• 参考スコア（独自算出の注目度）: 32.6283881415085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Comparing object orientations and positions across different instances requires their poses to be expressed in a shared canonical frame. Establishing such frames has traditionally required manual annotation, creating a scaling bottleneck that limits category and instance diversity. We show that a shared canonical frame can instead emerge from self-supervised training on object-centric videos captured in the wild, using only noisy camera poses from Structure-from-Motion. Our key idea is to route all training sequences through a shared geometric bottleneck: a coarse canonical mesh that carries no category-specific detail. By learning dense correspondences from image pixels to this mesh, and estimating per-sequence alignments from noisy SfM geometry, a common canonical frame emerges from multi-view consistency and the semantic priors of the feature extractor, without any canonical pose labels or category conditioning. Trained in a self-supervised manner on 160,000 in-the-wild object videos, our method achieves competitive accuracy on category-level pose estimation benchmarks compared to methods that rely on canonical pose supervision. The code and checkpoint is available on https://github.com/Fischer-Tom/Emergent-Canonical-Frame/.
• Abstract（参考訳）: 異なるインスタンス間でオブジェクトの向きと位置を比較するには、そのポーズを共有標準フレームで表現する必要がある。 このようなフレームを確立するには、伝統的に手動のアノテーションが必要であり、カテゴリやインスタンスの多様性を制限するスケーリングのボトルネックを生み出している。 共有された標準フレームは、その代わりに、Structure-from-Motionのノイズの多いカメラのみを使用して、野生で撮影されたオブジェクト中心のビデオの自己教師によるトレーニングから現れることを示す。 私たちのキーとなるアイデアは、すべてのトレーニングシーケンスを、共有された幾何学的ボトルネック、すなわち、カテゴリ固有の詳細を持たない粗い標準メッシュを通じてルーティングすることです。 画像画素からこのメッシュへの密接な対応を学習し、ノイズの多いSfM幾何からシーケンス毎のアライメントを推定することにより、共通カノニカルフレームが多視点一貫性と特徴抽出器の意味的先行から出現し、カノニカルポーズラベルやカテゴリ条件が存在しない。 本手法は16万本のビデオに対して自己監督的に学習し, カテゴリーレベルのポーズ推定ベンチマークにおいて, 標準ポーズ監視に依存する手法と比較して, 競合精度を向上する。 コードとチェックポイントはhttps://github.com/Fischer-Tom/Emergent-Canonical-Frame/で入手できる。

関連論文リスト

• CANIS: Generation-Assisted 3D Canonicalization via an Image-Semantic Bridge [54.86517260361978]
  CANISはカテゴリーに依存しない世代支援フレームワークであり、凍結した画像から3D生成モデルに先立って意味指向を3Dの標準化に導入する。 キニスはまた、任意の回転の下で下流の3D分類、部分分割、密度の高い対応を改善している。
  論文  参考訳（メタデータ） (2026-08-07T14:13:00Z)
• Self-supervised Object-Centric Learning for Videos [39.02148880719576]
  実世界のシーケンスで複数のオブジェクトをセグメント化するための、最初の完全に教師なしの手法を提案する。 オブジェクト中心学習フレームワークは,各フレーム上のスロットにオブジェクトを空間的に結合し,これらのスロットをフレーム間で関連付ける。 提案手法は,YouTubeビデオにおける複雑・高多様性クラスの複数インスタンスの分割に成功している。
  論文  参考訳（メタデータ） (2023-10-10T18:03:41Z)
• ASIC: Aligning Sparse in-the-wild Image Collections [86.66498558225625]
  本稿では,オブジェクトカテゴリのスパース画像コレクションの協調アライメント手法を提案する。 我々は、事前学習された視覚変換器(ViT)モデルの深い特徴から得られるペアワイズ近傍をノイズおよびスパースキーポイントマッチとして利用する。 CUBとSPair-71kベンチマークの実験により,我々の手法はグローバルに一貫した高品質な対応を実現できることが示された。
  論文  参考訳（メタデータ） (2023-03-28T17:59:28Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• Cross-Camera View-Overlap Recognition [42.75360135783111]
  本稿では、参照3Dマップを必要とせずに、自由に動くカメラ間で動作可能な分散ビューオーバラップ認識フレームワークを提案する。 ビューオーバーラップはビューマッチングと幾何学的検証によって認識され、間違ったマッチしたビューを破棄する。
  論文  参考訳（メタデータ） (2022-08-24T16:55:52Z)
• RelPose: Predicting Probabilistic Relative Rotation for Single Objects in the Wild [73.1276968007689]
  本稿では、任意のオブジェクトの複数の画像からカメラ視点を推定するデータ駆動手法について述べる。 本手法は, 画像の鮮明さから, 最先端のSfM法とSLAM法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:59:59Z)
• HODOR: High-level Object Descriptors for Object Re-segmentation in Video Learned from Static Images [123.65233334380251]
  オブジェクトの外観やシーンコンテキストを理解するために,注釈付き静的イメージを効果的に活用する新しい手法であるHODORを提案する。 その結果、HODORはDAVISとYouTube-VOSベンチマークで最先端のパフォーマンスを達成した。 アーキテクチャの変更なしに、HODORは単一の注釈付きビデオフレームに関するビデオコンテキストから学ぶこともできる。
  論文  参考訳（メタデータ） (2021-12-16T18:59:53Z)
• Video Instance Segmentation by Instance Flow Assembly [23.001856276175506]
  箱のない特徴を扱うボトムアップ手法は、フレーム間の正確な空間的相関を提供する。 フレーム間の相関関係をよりよくエンコードするための時間的コンテキスト融合モジュールを備えたフレームワークを提案する。 実験により、提案手法は、挑戦的なYoutube-VISデータセット上で、最先端のオンライン手法(画像レベルの入力を取る)よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-20T14:49:28Z)
• Shelf-Supervised Mesh Prediction in the Wild [54.01373263260449]
  本研究では,物体の3次元形状とポーズを1つの画像から推定する学習手法を提案する。 まず、カメラのポーズとともに、標準フレーム内の体積表現を推定する。 粗い体積予測はメッシュベースの表現に変換され、予測されたカメラフレームでさらに洗練される。
  論文  参考訳（メタデータ） (2021-02-11T18:57:10Z)
• Category-Level Articulated Object Pose Estimation [34.57672805595464]
  我々はArticulation-Aware Normalized Space Hierarchy (ANCSH)を紹介する。 ANCSHは、与えられたカテゴリ内の異なる明瞭なオブジェクトに対する標準表現である。 我々は,単一深度点クラウドからANCSHを予測するPointNet++に基づくディープネットワークを開発する。
  論文  参考訳（メタデータ） (2019-12-26T18:34:37Z)

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。