論文の概要: EPO: Boosting 3D Foundation Models with Edge-based Pose Optimization

• arxiv url: http://arxiv.org/abs/2607.00579v1
• Date: Wed, 01 Jul 2026 08:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.796457
• Title: EPO: Boosting 3D Foundation Models with Edge-based Pose Optimization
• Title（参考訳）: EPO:エッジベースのポース最適化による3Dファウンデーションモデルの強化
• Abstract要約: 3Dファウンデーションモデルは、従来のパイプラインの時間を要する特徴抽出とマッチングステージをバイパスすることで、迅速な推論を実現する。 本フレームワークでは,形状最適化のためのプロキシとしてエッジマップアライメントを使用し,特徴抽出やトラック構築を完全に回避している。
• 参考スコア（独自算出の注目度）: 11.971889992504936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce \textbf{Edge-based Pose Optimization (EPO)}, a trackless geometric optimization framework specifically designed to boost the Structure-from-Motion reconstructions generated by 3D Foundation Models. These models achieve rapid inference by bypassing the time-consuming feature extraction and matching stages of traditional pipelines, where explicit correspondences between each 3D point and multiple images, referred to as tracks, are established. However, their geometric accuracy currently falls short of traditional pipelines. While this can be addressed in a post-processing step via Bundle Adjustment-like refinement, doing so requires extracting feature tracks, thus defeating the original speed advantage. Instead, our fully differentiable framework uses edge map alignment as a proxy for geometric optimization, avoiding feature extraction and track construction entirely. Through extensive evaluation across multiple datasets and tasks, we demonstrate that EPO matches or outperforms Bundle Adjustment-like methods while requiring significantly lower runtime and memory. Notably, its reduced memory footprint makes EPO suitable for consumer-grade hardware, where competing refinement methods cannot run.
• Abstract（参考訳）: 本稿では,3Dファウンデーションモデルによって生成された構造-移動再構成を向上する目的で設計された,トラックレスな幾何最適化フレームワークである「textbf{Edge-based Pose Optimization (EPO)」を紹介する。 これらのモデルは、各3D点とトラックと呼ばれる複数の画像との明示的な対応が確立される従来のパイプラインの時間を要する特徴抽出とマッチング段階をバイパスして、高速な推論を実現する。 しかし、その幾何学的精度は現在、従来のパイプラインに劣っている。 これは、バンドル調整のような改善によって後処理のステップで対処できるが、機能トラックを抽出する必要があるため、元の速度優位性を損なうことになる。 代わりに、我々の完全に差別化可能なフレームワークは、幾何最適化のためのプロキシとしてエッジマップアライメントを使用し、特徴抽出を避け、完全に構成を追跡します。 複数のデータセットやタスクにわたる広範囲な評価を通じて、EPOがBundle Adjustmentのようなメソッドにマッチしたり、性能を向上すると同時に、実行時やメモリを著しく低くすることを示した。 特にメモリフットプリントの削減により、EPOは競合する精細化メソッドが実行できない、コンシューマグレードのハードウェアに適している。

関連論文リスト

• Stable and Scalable Bundle Adjustment of Holistic 3D Structures [99.03818732955783]
  本稿では,3次元コンピュータビジョンのためのBundle Adjustment (BA) の新バージョンを提案する。 BAはカメラ、ポーズ、3Dポイントを共同で最適化するために開発された。 グループ誘導測定とクロスフィーチャー・リジェクションにより、古典的な点のみの3次元正規化の空間性を維持する。
  論文  参考訳（メタデータ） (2026-09-03T16:08:03Z)
• MeshSplatBench: A Unified Benchmark for Triangle-Based Neural Rendering [46.941178349583204]
  三角形ベースのニューラルレンダリングは、標準化ハードウェアと互換性のある明示的なプリミティブによるシーン表現と従来のグラフィックパイプラインを橋渡しする。 既存のアプローチは、ほとんどカスタムリサーチでのみ評価され、実運用エンジンにおける実際のデプロイ可能性を見極めている。 MeshSplatBenchは、ネイティブ最適化からゲームエンジンデプロイメントに至るまで、完全なパイプライン全体にわたる三角形ベースのレンダリングを体系的に調査する。
  論文  参考訳（メタデータ） (2026-09-01T14:32:54Z)
• ForeSplat: Optimization-Aware Foresight for Feed-Forward 3D Gaussian Splatting [65.02700555625749]
  ForeSplatはフィードフォワード3DGSモデルのための最適化対応のトレーニングフレームワークである。 ForeSplatはフィードフォワードモデルのキャパシティ圧力を大幅に低減する。 償却予測とシーンごとの最適化のギャップを埋める。
  論文  参考訳（メタデータ） (2026-05-21T05:38:47Z)
• Learn2Splat: Extending the Horizon of Learned 3DGS Optimization [53.913063313338874]
  補助機構を使わずに地平線上における劣化を回避できる3DGSの学習手法を提案する。 その結果、長い地平線上で安定しながら、新しいビュークオリティを向上し、ゼロショットの一般化により、見当たらないリコンストラクション設定を実現した。
  論文  参考訳（メタデータ） (2026-05-15T09:21:29Z)
• Registration-Free Learnable Multi-View Capture of Faces in Dense Semantic Correspondence [30.38509036690193]
  MOCHIは、登録したトレーニングデータを必要とせずにトレーニングされた多視点3D顔予測フレームワークである。 標準点間距離は、登録不要設定でトレーニングの不安定性と視覚的アーティファクトを誘導する。 代わりに、よりスムーズな勾配とより優れた再構成忠実度を提供する点マップと正規化に基づく損失を提案する。
  論文  参考訳（メタデータ） (2026-05-02T13:59:29Z)
• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• GloSplat: Joint Pose-Appearance Optimization for Faster and More Accurate 3D Reconstruction [35.30036388020098]
  本稿では,GloSplatについて述べる。GloSplatは3次元ガウス平滑化訓練において,アンフィジョイントなポーズ-外観最適化を行うフレームワークである。 従来の共同最適化手法とは異なり、GloSplatは訓練中、Emphexplicit SfM機能トラックを第一級エンティティとして保存する。 実験により、GloSplat-FはCOLMAPフリーメソッドの最先端を実現し、GloSplat-AはCOLMAPベースラインをすべて越えていることが示された。
  論文  参考訳（メタデータ） (2026-03-05T06:02:50Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
  我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。 本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。 実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T16:18:32Z)
• Curve-Aware Gaussian Splatting for 3D Parametric Curve Reconstruction [14.628742412460346]
  本稿では,多視点エッジマップから直接3次元パラメトリック曲線を再構成するためのエンドツーエンドフレームワークを提案する。 パラメトリック曲線とエッジ指向ガウス成分の双方向結合機構を提案する。 提案手法は,既存の手法に比べて高い効率と優れた性能を達成し,トレーニング中のパラメータ数を著しく削減する。
  論文  参考訳（メタデータ） (2025-06-26T15:48:08Z)

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。