論文の概要: DGSfM: Depth-Guided Scale-Aware Global Structure-from-Motion

• arxiv url: http://arxiv.org/abs/2607.09507v1
• Date: Fri, 10 Jul 2026 15:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.881104
• Title: DGSfM: Depth-Guided Scale-Aware Global Structure-from-Motion
• Title（参考訳）: DGSfM:depth-Guided Scale-Aware Global Structure-from-Motion
• Abstract要約: 本稿では,DGSfMを提案する。DGSfMは,モノクル深度マップを拡張性のある先行モデルとして用いるグローバルSfMパイプラインである。 各画像対に対して、深度対応の相対ポーズソルバを用いて、拡大あいまいなエピポーラ制約をスケール対応の相対ポーズ制約に変換する。 ETH3D と IMC2021 の実験では、DGSfM はスパースと密集したフロントエンドをまたいだ強いグローバルな SfM ベースラインよりも一貫して改善されている。
• 参考スコア（独自算出の注目度）: 40.127097529332815
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Global Structure-from-Motion (SfM) is an efficient paradigm for recovering camera poses and sparse 3D structure from unordered images. However, its reliance on scale-ambiguous epipolar geometry makes global positioning sensitive to noisy baseline estimates and weak view-graph constraints, while false edges from visually ambiguous pairs can further degrade reconstruction. We propose DGSfM, a depth-aware global SfM pipeline that uses monocular depth maps as a scalable prior while preserving explicit multi-view optimization. For each image pair, we use a depth-aware relative pose solver to convert scale-ambiguous epipolar constraints into scale-aware relative pose constraints. We further improve robustness through view-graph filtering and depth-consistency-based correspondence pruning, which suppress false edges and matches that remain plausible under epipolar geometry alone. Finally, global scale averaging and depth-guided pose-point initialization align monocular depth maps into a common reconstruction scale and provide stable initialization for global positioning and bundle adjustment. Experiments on ETH3D and IMC2021 show that DGSfM consistently improves over strong global SfM baselines across sparse and dense matching front-ends, achieving substantial gains in pose accuracy. Code is available at https://github.com/sithu31296/DGSfM.
• Abstract（参考訳）: グローバル構造移動(Global Structure-from-Motion, SfM)は、非秩序な画像からカメラポーズとスパース3D構造を復元するための効率的なパラダイムである。 しかし、そのスケールあいまいなエピポーラ幾何学への依存は、大域的な位置決めをノイズのあるベースライン推定と弱いビューグラフの制約に敏感にし、一方、視覚的に曖昧なペアからの偽のエッジは、さらに再構成を劣化させる可能性がある。 そこで我々はDGSfMを提案する。DGSfMはDGSfMのグローバルSfMパイプラインである。 各画像対に対して、深度対応の相対ポーズソルバを用いて、拡大あいまいなエピポーラ制約をスケール対応の相対ポーズ制約に変換する。 さらに,図形フィルタや深度一貫性に基づく対応プルーニングによる堅牢性の向上も行なっており,これはエピポーラ幾何学的手法だけでは証明できない偽のエッジやマッチを抑える。 最後に、グローバルスケール平均化および深度誘導されたポーズポイント初期化は、単一の分子深度マップを共通の再構成スケールに整列し、グローバル位置決めおよびバンドル調整のための安定した初期化を提供する。 ETH3DとIMC2021の実験により、DGSfMはスパースと密集したフロントエンドの強いグローバルなSfMベースラインよりも一貫して改善され、ポーズの精度が大幅に向上した。 コードはhttps://github.com/sithu31296/DGSfMで入手できる。

関連論文リスト

• Robust Global Structure-from-Motion via View Graph Pruning [25.23705801622607]
  本研究では,ロバストグローバルSfMのためのサブグラフ誘導ビューグラフ解析フレームワークを提案する。 私たちのキーとなる考え方は、信頼性の高いサブグラフの内部の一貫性を利用して、信頼できないコネクションを特定し、削除することです。 不明瞭でシーケンシャルで非秩序な画像データセットの実験は、我々の手法が困難条件下でのグローバルSfMのロバスト性を向上させることを実証している。
  論文  参考訳（メタデータ） (2026-08-22T17:40:47Z)
• VidMap: Exploiting Temporal Structure for Video-Based Structure-from-Motion [53.78826038875198]
  SLAMの強い逐次制約とオフラインSfMの柔軟性とグローバル最適化を組み合わせたシステムを提案する。 われわれのアプローチは最先端のSLAMとSfMのどちらよりもはるかに堅牢で正確だ。
  論文  参考訳（メタデータ） (2026-07-29T17:58:04Z)
• Glob3R: Global Structure-from-Motion with 3D Foundation Models [44.33296410481359]
  Glob3Rは3Dファウンデーションモデルに基づいて構築されたグローバルなSfMスタイルの再構築である。 私たちのキーとなるアイデアは、フィードフォワード幾何学的予測を明示的に最適化することです。 屋内、屋外、大規模運転、および非秩序なSfMベンチマークの実験は、Glob3Rが堅牢で正確な再構築を実現することを示した。
  論文  参考訳（メタデータ） (2026-07-10T09:18:35Z)
• FDR-Occ: Factorized Dense Routing for Full-Spectrum 3D Occupancy Prediction [63.738631229597274]
  視覚に基づく3次元占有予測は、基本的に2次元から3次元のビュー変換に依存している。 現在のパラダイムは、厳密でスパースなカメラ線にルーティング行列を人工的に制限する明示的な物理射影を主に利用している。 本稿では,このボトルネックを解消するためにFDR(Facterized Dense Routing)を提案する。 本フレームワークは,Occ3D-nuScenesおよびOcc3D-Waymoベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-07-04T11:12:42Z)
• G-MASt3R-SfM: Graph-based View Pruning and Multi-stage Optimization for Robust SfM [1.3048920509133808]
  G-MASt3R-SfMは、2つの鍵モジュールによるロバスト性を高める新しいSfMパイプラインである。 まず、グラフベースのビュープルーニング(GVP)モジュールは、信頼度と幾何学的に不規則なビューとの整合性からシーングラフを構築する。 第二に、マルチステージ最適化(MSO)モジュールは、最適化範囲を局所的な一貫性からグローバルな一貫性へと拡張することで、カメラパラメータを段階的に洗練する。
  論文  参考訳（メタデータ） (2026-06-22T05:01:08Z)
• Large Depth Completion Model from Sparse Observations [28.01552819701954]
  LDCM(Large Depth Completion Model, Large Depth Completion Model)は、スパース観測による単視点距離深度推定のための、シンプルで効果的で堅牢なフレームワークである。 LDCMは変圧器を用いて計量精度の高い密度深度マップを生成する。
  論文  参考訳（メタデータ） (2026-05-28T15:50:29Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• DeepRelativeFusion: Dense Monocular SLAM using Single-Image Relative Depth Prediction [4.9188958016378495]
  本稿では,一様一貫した3次元構造を復元できる,ディープフュージョンと呼ばれる高密度単分子SLAMシステムを提案する。 視覚的SLAMを用いて、カメラのポーズと奥行きの半深度マップを確実に復元し、それから相対深度予測を用いて半深度マップを密度化し、ポーズグラフを精査する。 我々のシステムは、最先端の高密度SLAMシステムよりも、大規模なマージンによる高密度再構成精度で定量的に性能を向上する。
  論文  参考訳（メタデータ） (2020-06-07T05:22:29Z)

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。