論文の概要: ReCal3R: Reliability-Calibrated Learning Rates for Streaming 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2607.05356v1
• Date: Mon, 06 Jul 2026 17:35:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.26705
• Title: ReCal3R: Reliability-Calibrated Learning Rates for Streaming 3D Reconstruction
• Title（参考訳）: ReCal3R: ストリーミング3次元再構成のための信頼性校正学習率
• Abstract要約: ストリーミング3D再構成は、リニア時間とバウンドメモリで長い画像ストリームを処理するために、コンパクトなリカレントシーン状態に依存する。 本稿では,ReCal3Rを提案する。ReCal3Rは3次元再構成を再現するための信頼性校正学習率法である。
• 参考スコア（独自算出の注目度）: 57.10941470313318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming 3D reconstruction relies on a compact recurrent scene state to process long image streams in linear time and bounded memory. However, repeated updates can gradually corrupt this state, causing reliable historical information to be overwritten by noisy or ambiguous observations. We introduce ReCal3R, a reliability-calibrated learning rate method for recurrent 3D reconstruction. Instead of directly applying a candidate learning rate, our method estimates state token reliability from the maintained scene state and uses it to calibrate a candidate learning rate derived from token alignment, state reconstruction residual, and recent update pressure. The resulting token-wise learning rate interpolates between a conservative base rate and the candidate rate, suppressing aggressive updates on unreliable tokens while preserving adaptation to informative frames. Applied to CUT3R as a training-free calibration rule, ReCal3R reaches strong performance on long sequences in pose, depth, and reconstruction quality, including a 3.7$\times$ reduction in ATE, with comparable runtime and memory. Code is available at: https://github.com/Powertony102/ReCal3R.
• Abstract（参考訳）: ストリーミング3D再構成は、リニア時間とバウンドメモリで長い画像ストリームを処理するために、コンパクトなリカレントシーン状態に依存する。 しかし、更新の繰り返しはこの状態が徐々に悪化し、信頼性の高い歴史的情報がノイズや曖昧な観察によって上書きされることになる。 本稿では,ReCal3Rを提案する。ReCal3Rは3次元再構成を再現するための信頼性校正学習率法である。 提案手法は,候補学習率を直接適用する代わりに,保持されたシーン状態から状態トークンの信頼性を推定し,トークンアライメント,状態再構成残差,最近の更新圧力から得られた候補学習率を校正する。 その結果、トークン単位の学習速度は、保守的ベースレートと候補レートの間で補間され、信頼できないトークンに対する攻撃的な更新を抑えつつ、情報的フレームへの適応を保っている。 トレーニングフリーのキャリブレーションルールとして CUT3R に適用されたReCal3R は、ポーズ、深さ、再構築品質の長いシーケンスにおいて、同等のランタイムとメモリを備えた ATE の3.7$\times$ reduce を含む強力なパフォーマンスを達成している。 コードは、https://github.com/Powertony102/ReCal3R.comで入手できる。

関連論文リスト

• Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction [10.383154504465232]
  ABot-Reconは、前の11フレームからKV機能をキャッシュするシンプルなストリーミングモデルである。 現在のカメラ座標系における点マップと、隣接するフレームの相対的なポーズを予測する。 蓄積ドリフトを低減するために、最近の視覚と運動のコンテキストを用いて、軽量の時間リファインダは相対回転を改善する。
  論文  参考訳（メタデータ） (2026-08-27T15:07:38Z)
• Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction [50.5449251266956]
  本稿では,長い映像シーケンスから大規模3Dシーンを再構築する作業について述べる。 近年のフィードフォワード再構成モデルでは,RGB画像からの3次元幾何を,明示的な3次元先行や幾何学的制約なく直接回帰することで,有望な結果を示している。 本稿では,長距離シーン情報を効率よく圧縮し,保持するニューラルグローバルコンテキスト表現を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:59:50Z)
• Mem3R: Streaming 3D Reconstruction with Hybrid Memory via Test-Time Training [8.037339305506656]
  ハイブリッドメモリ設計によるストリーミング3D再構成モデルであるMem3Rを提案する。 カメラトラッキングでは、Mem3Rは軽量のMulti-Layer Perceptronとして実装された暗黙の高速メモリを使用している。 幾何学的マッピングでは、Mem3Rは明示的なトークンベースの固定サイズ状態を維持している。
  論文  参考訳（メタデータ） (2026-04-08T16:41:22Z)
• FILT3R: Latent State Adaptive Kalman Filter for Streaming 3D Reconstruction [51.56484100374058]
  ストリーミング3D再構築は、受信フレームからオンラインで更新される永続的な潜伏状態を維持する。 FILT3Rは、トークン空間における状態推定として、リカレントな状態更新をキャストする。 コードはhttps://github.com/jinotter3/FILT3Rでリリースされる。
  論文  参考訳（メタデータ） (2026-03-19T04:56:36Z)
• SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
  自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。 本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-16T02:55:14Z)
• FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning [63.20028888397869]
  FOREVER(FORgEtting curVe-inspired mEmory)は、リプレイスケジュールをモデル中心の時間の概念と整合させる新しいフレームワークである。 このアプローチに基づいて、ForeVERは、リプレイのタイミングを決定するための曲線ベースのリプレイスケジューラと、リプレイの方法を適応的に制御するインテンシティ対応の正規化機構を組み込んでいる。
  論文  参考訳（メタデータ） (2026-01-07T13:55:14Z)
• TTT3R: 3D Reconstruction as Test-Time Training [69.51086319339662]
  テストタイムトレーニングの観点から3次元再構築基盤モデルを再考する。 メモリ状態と受信した観測値のアライメントの信頼性を利用して、クローズドフォーム学習率を導出する。 この訓練のない介入はTTT3Rと呼ばれ、長さの一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:51Z)

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。