論文の概要: Geometric Distillation from Rectified Stereo: Leveraging Epipolar Cues for Monocular Depth

• arxiv url: http://arxiv.org/abs/2607.15600v1
• Date: Fri, 17 Jul 2026 03:49:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.744507
• Title: Geometric Distillation from Rectified Stereo: Leveraging Epipolar Cues for Monocular Depth
• Title（参考訳）: 固定化ステレオからの幾何学的蒸留:単眼深部へのエピポーラキュースの利用
• Abstract要約: 本稿では,マルチビューモデルのスケール・アウェアな幾何学的先行をモノクロ深度基礎モデルに変換する新しいフレームワークを提案する。 具体的には,マルチビュー入力を必要とすることなく,単一ビュー予測モデルでエピポーラの注意パターンを維持し,幾何整合性を維持するためのエピポーラ蒸留(EpiDistillation, EpiDistill)を提案する。
• 参考スコア（独自算出の注目度）: 11.871264497562008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular depth foundation models have demonstrated remarkable generalization capabilities across diverse environments. However, they continue to struggle with metric depth estimation in diverse environments. This limitation stems from the inherent scale ambiguity of single-view inference, leading to misaligned scale predictions even when the relative geometry is accurate. Conversely, recent multi-view foundation models leverage cross-view cues to learn robust scene-level geometry and consistent scale. Yet, these benefits typically vanish during single-image inference, as the absence of explicit geometric constraints causes performance to degrade. To bridge this gap, we propose a novel framework that transfers the scale-aware geometric priors of multi-view models into monocular depth foundation models. Specifically, we introduce an Epipolar Distillation (EpiDistill), an approach utilizing Rectified Stereo Tokens, which enables the single-view prediction model to retain epipolar attention patterns and maintain geometric consistency without requiring multi-view inputs at inference. Experimental results demonstrate that our method significantly improves zero-shot metric depth estimation, particularly on challenging datasets like ETH3D and DIODE where scale alignment is critical. Furthermore, our approach is model-agnostic, consistently boosting the performance of state-of-the-art ViT-based models, including UniDepthV2 and DepthPro.
• Abstract（参考訳）: 単分子深度基礎モデルは多様な環境にまたがる顕著な一般化能力を示した。 しかし、様々な環境ではメートル法深度推定に苦慮し続けている。 この制限は、単一のビュー推論の本質的にのスケールのあいまいさに起因し、相対幾何学が正確であっても、不整合なスケールの予測をもたらす。 逆に、近年の多視点基礎モデルは、クロスビューの手がかりを利用して、堅牢なシーンレベルの幾何学と一貫したスケールを学ぶ。 しかし、これらの利点は、明示的な幾何学的制約が欠如してパフォーマンスが低下するので、シングルイメージの推論中に一般的に消える。 このギャップを埋めるために,マルチビューモデルのスケール・アウェアな幾何学的先行をモノクロ深度基礎モデルに転送する新しいフレームワークを提案する。 具体的には,Rectified Stereo Tokensを用いたエピポーラ蒸留(EpiDistillation, EpiDistill)を導入する。これは単一ビュー予測モデルで,マルチビュー入力を必要とすることなく,エピポーラの注意パターンを維持し,幾何的一貫性を維持することができる。 ETH3D や DIODE のようなスケールアライメントが重要となる挑戦的なデータセットにおいて,提案手法はゼロショット距離推定を著しく改善することを示す。 さらに,本手法はモデルに依存しないため,UniDepthV2 や DepthPro など,最先端の ViT ベースのモデルの性能が一貫して向上する。

関連論文リスト

• Panoramic Scene Analysis: A Survey from Distortion-Aware Engineering to Sphere-Native Foundation Modeling [1.8625021794520016]
  パノラマ画像は単一のフレームで完全な視覚球をキャプチャし、従来のカメラでは達成できない空間的コンテキストを提供する。 2次元球面を平面に忠実にマッピングすることはできず、すべての平面表現は標準視覚アーキテクチャの前提となる仮定に反する歪みを導入する。 本研究は,プロジェクションに基づく適応から歪み認識工学,スフィアネイティブモデリング,基礎モデルの幾何認識トークン化に至るまで,方法論的軌道に沿ったパノラマシーン解析の進化を辿るものである。
  論文  参考訳（メタデータ） (2026-06-26T05:54:38Z)
• Pose Anything Anywhere:Model-free Object Poses from Arbitrary References [64.58017857473774]
  RGBとRGB-Dの両方の入力をシームレスにサポートするモデルフリーフレームワークであるPANYを提案する。 1つまたはスパースなポーズフリー参照ビューで動作し、新しいオブジェクトに効果的に一般化する。 複数のベンチマークで最先端のパフォーマンスを実現し、既存のモデルフリーメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-06-22T17:23:57Z)
• FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
  FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。 我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
  論文  参考訳（メタデータ） (2025-12-31T17:57:45Z)
• VGD: Visual Geometry Gaussian Splatting for Feed-Forward Surround-view Driving Reconstruction [26.668204454537246]
  我々は,この課題に対処すべく,新しいフィードフォワードエンドツーエンド学習フレームワークであるtextbfVisual Gaussian Driving (VGD)を紹介した。 提案手法は, 客観的指標と主観的品質の両方において, 種々の条件下で, 最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-22T13:28:49Z)
• 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)
• Relative Pose Estimation through Affine Corrections of Monocular Depth Priors [69.59216331861437]
  本研究では,独立なアフィン(スケールとシフト)のあいまいさを明示的に考慮した相対ポーズ推定のための3つの解法を開発した。 提案する解法と古典的点ベース解法とエピポーラ制約を組み合わせたハイブリッド推定パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:58:30Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)

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。