論文の概要: VIDAR: Visual-Inertial Dense Alignment and Reconstruction via a Geometric Foundation Model

• arxiv url: http://arxiv.org/abs/2607.17171v1
• Date: Sun, 19 Jul 2026 10:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.385624
• Title: VIDAR: Visual-Inertial Dense Alignment and Reconstruction via a Geometric Foundation Model
• Title（参考訳）: VIDAR:幾何学的基礎モデルによる視覚的慣性線量アライメントと再構成
• Abstract要約: 単分子基底モデルは密度幾何学を提供するが、通常は安定な計量スケールを欠く。 本稿では,SVO+IMUオドメトリーとDepth Anything 3を結合した視覚-慣性高密度再構成フレームワークであるVIDARを提案する。 EuRoC と TUM RGB-D の結果,VIDAR は高密度単分子再構成のための実用的な方法であることがわかった。
• 参考スコア（独自算出の注目度）: 0.6299766708197883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular foundation models provide dense geometry but usually lack a stable metric scale. This paper presents VIDAR, a visual-inertial dense reconstruction framework that couples SVO+IMU odometry with Depth Anything 3. VIDAR uses the visual-inertial front end as a metric anchor: it provides camera poses, scale, and a consistent world frame for aligning dense foundation-model predictions across time. The foundation model then contributes detailed local geometry that is fused into a global reconstruction. We study both pose-conditioned DA3 and a decoupled alignment strategy. On EuRoC, pose injection reduces scale error to about 1\% and reaches 0.463 mean F@0.10; the decoupled hybrid improves this to 0.676 without ground-truth poses. Results on EuRoC and TUM RGB-D show that VIDAR is a practical route to metric dense monocular reconstruction.
• Abstract（参考訳）: 単分子基底モデルは密度幾何学を提供するが、通常は安定な計量スケールを欠く。 本稿では,SVO+IMUオドメトリーとDepth Anything 3を結合した視覚-慣性高密度再構成フレームワークであるVIDARを提案する。 VIDARは、視覚的慣性フロントエンドをメートル法アンカーとして使用し、カメラのポーズ、スケール、時間にわたって密度の高い基礎モデル予測を整列するための一貫した世界フレームを提供する。 基礎モデルは、グローバルな再構築に融合した詳細な局所幾何学に寄与する。 ポーズ条件付きDA3と非結合アライメント戦略の両方について検討した。 EuRoCでは、ポーズインジェクションはスケールエラーを約1\%に減らし、平均F@0.10で0.463に達する。 EuRoC と TUM RGB-D の結果,VIDAR は高密度単分子再構成のための実用的な方法であることがわかった。

関連論文リスト

• VI3: Grounding Pretrained 3D Foundation Models with Inertial Cues [14.67905085035058]
  3次元ファウンデーションモデル(3DFM)は、シーンの複数のビューからカメラのポーズを予測し、奥行きを密集し、強いゼロショットの一般化を示す。 IMU読み取りのみを用いて事前学習した3DFMを計量的にアンカーするモデル非依存フレームワークであるVI3を紹介する。
  論文  参考訳（メタデータ） (2026-09-03T13:24:36Z)
• Self-Geometry: GT-Free and Plug-and-Play Test-Time Adaptation for Geometrically Consistent 3D Vision Foundation Models [12.061080782435013]
  最近のビジョンファウンデーションモデル(VFM)は、シーンごとの最適化なしに、単一の前方パスで深さ、カメラポーズ、ポイントマップを予測する。 明示的な多視点幾何学的整合性(例えば束調整など)を強制することは、計算コストがかかるため、VFM事前訓練では課されない。 本研究では,2次元画素対応を擬似接地構造として用いた明示的な多視点幾何制約を直接課す,プラグアンドプレイテスト時適応パイプラインであるセルフジオメトリを提案する。
  論文  参考訳（メタデータ） (2026-08-11T09:28:50Z)
• GAP-GDRNet: Geometry-aware monocular 6D pose estimation for spacecraft using synthetic geometric supervision [7.240627719297504]
  GAP-GDRNetはGDR-Net上に構築された単一ターゲットの合成宇宙船ベンチマーク用のフレームワークである。 Blenderベースのレンダリングアノテーションプロセスから、デンス管理を得る。 自作の宇宙船データセットでは、GAP-GDRNetの回転誤差は1.96circ$で、翻訳誤差は0.0165m、ADD@0.02mが95.16%である。
  論文  参考訳（メタデータ） (2026-07-02T16:02:24Z)
• DrivingDepth: Sparse-Prompted Pixel-wise Scale Correction for Driving Depth Estimation [19.18794880895008]
  既存のスパースプロンプト法は、基礎モデルのコヒーレントな幾何学を覆い、スクラッチから深さを再生することでLiDARを組み込む。 本稿では,スパルスLiDARを幾何学的プロンプトとして扱い,静止画素のスケール補正に先立って凍結基盤を局所的に校正するドライビングDepthを提案する。 4フレームのサラウンドビュー入力を持つnuSceneでは、DrivingDepthはAbsRelが11.19、EdgeCRが5.741、MapAnything(11.99/1.914)が11.99/1.914に勝っている。
  論文  参考訳（メタデータ） (2026-06-30T11:07:23Z)
• SemCityLoc: Aerial 6DoF Localization Using Semantic 3D City Models [51.121529170856064]
  本研究では,空中ポーズ推定を再構成する意味幾何学的アライメントシステムSemCityLocを提案する。 粗い輪郭や密集したテクスチャをマッチングする代わりに、本手法は、セマンティックサーフェスとモノクルディープを軽量なセマンティック3Dビルディングモデルと整合させる。 実験は、既存のマップベースのアプローチよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-25T18:13:39Z)
• SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
  UAV VLNのための幾何学誘導空間表現フレームワークを提案する。 明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。 実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-22T03:56:58Z)
• Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video [76.32954467706581]
  本稿では,生のビデオストリームからGEometric foundationモデルのスケーラブル適応を行うフレームワークであるSAGEを提案する。 階層的なマイニングパイプラインを使用して、ビデオをトレーニングトラジェクトリやハイブリッド監視に変換します。 実験の結果、SAGEはゼロショットの一般化を著しく向上し、チェムファー距離を20-42%削減した。
  論文  参考訳（メタデータ） (2026-02-08T09:53:21Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• GTR: Gaussian Splatting Tracking and Reconstruction of Unknown Objects Based on Appearance and Geometric Complexity [49.31257173003408]
  モノクローナルRGBDビデオからの6-DoFオブジェクト追跡と高品質な3D再構成のための新しい手法を提案する。 提案手法は, 高忠実度オブジェクトメッシュを復元する強力な能力を示し, オープンワールド環境における単一センサ3D再構成のための新しい標準を策定する。
  論文  参考訳（メタデータ） (2025-05-17T08:46:29Z)
• Pseudo RGB-D for Self-Improving Monocular SLAM and Depth Prediction [72.30870535815258]
  モノクロ深度予測のためのCNNは、周囲の環境の3Dマップを構築するための2つの大きく不連続なアプローチを表している。 本稿では,CNN予測深度を利用してRGB-D特徴量に基づくSLAMを行う,狭義の広義の自己改善フレームワークを提案する。 一方、より原理化された幾何学的SLAMの3次元シーン構造とカメラポーズは、新しい広義のベースライン損失により奥行きネットワークに注入される。
  論文  参考訳（メタデータ） (2020-04-22T16:31:59Z)

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。