論文の概要: Geometry Beats Estimated Depth: RGB-Only Multi-Camera 3D Tracking under Sim2Real

• arxiv url: http://arxiv.org/abs/2608.07579v1
• Date: Tue, 04 Aug 2026 21:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.445569
• Title: Geometry Beats Estimated Depth: RGB-Only Multi-Camera 3D Tracking under Sim2Real
• Title（参考訳）: ジオメトリがRGB専用のマルチカメラ3DトラッカーをSim2Realで発表
• Abstract要約: AI City Challenge 2026 Track 1は、Sim2Real(synthetic-to-real)設定の下で、大規模な屋内倉庫におけるマルチカメラの3D知覚を評価する。 2つのRGBのみのルートを1つの仮説の制御テストとして使用し、モノクロ深度精度ではなく、クロスビューの幾何学的整合性はSim2Realで性能を制御している。
• 参考スコア（独自算出の注目度）: 1.7289819674602296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The AI City Challenge 2026 Track 1 evaluates multi-camera 3D perception in large indoor warehouses under a synthetic-to-real (Sim2Real) setting; depth is available only for training and validation, so inference is RGB-only. We use two RGB-only routes as a controlled test of one hypothesis: that cross-view geometric consistency, not monocular depth accuracy, governs performance under Sim2Real. The first is a geometry-first pipeline: YOLO11x detection, homography lifting to the world frame, class-level 3D size priors, multi-camera fusion, world-coordinate tracking, and offline tracklet stitching. The second is estimated-depth pseudo-LiDAR: monocular depth (D4RT, Metric3D~v2) back-projected into a fused point cloud and passed to a 3D detector (V-DETR), mirroring prior point-cloud winners that used depth. The gap is decisive: geometry-first reaches 13.0 3D HOTA (51.6 LocA), whereas pseudo-LiDAR collapses to 0.12 (9.2 LocA). We trace the collapse to cross-view inconsistency of monocular depth---scale correction is necessary but not sufficient---which domain-adaptation fine-tuning does not repair within budget. Within the geometry pipeline, offline stitching is the only intervention that helps; SAHI detection, appearance Re-ID, learned lifting, RT-DETR ensembling, test-time augmentation, and domain randomization all fail to beat the baseline detector. The bottlenecks are complementary: detection quality bounds the geometry route (DetA), localization consistency bounds pseudo-LiDAR (LocA). We release a complete, reproducible RGB-only pipeline and ablation.
• Abstract（参考訳）: AI City Challenge 2026 Track 1は、大規模な屋内倉庫におけるマルチカメラの3D認識を、Sim2Real(synthetic-to-real)設定で評価する。 2つのRGBのみのルートを1つの仮説の制御テストとして使用し、モノクロ深度精度ではなく、クロスビューの幾何学的整合性はSim2Realで性能を制御している。 YOLO11x検出、世界フレームへのホモグラフィーリフト、クラスレベルの3Dサイズプリエント、マルチカメラフュージョン、ワールドコーディネートトラッキング、オフライントラックレットステッチである。 2つ目は、単眼深度 (D4RT, Metric3D~v2) が融点雲に逆投影され、3D検出器 (V-DETR) に渡され、深度を用いた以前の点雲の勝者を映し出す、推定深度の擬似LiDARである。 幾何学ファーストは13.0 3D HOTA (51.6 LocA)に到達し、擬似LiDARは0.12 (9.2 LocA)に崩壊する。 我々は、崩壊をモノクロ深度の不整合に遡る - 大規模な補正は必要だが十分ではない - ドメイン適応微調整は予算内では修復されない。 SAHI検出、外観のRe-ID、学習されたリフト、RT-DETRアンサンブル、テスト時間拡張、ドメインランダム化など、すべてベースライン検出器を破ることに失敗する。 検出品質はジオメトリルート(DetA)を境界とし、ローカライゼーション一貫性は擬似LiDAR(LocA)を境界とする。 完全な再現可能なRGBのみのパイプラインとアブレーションをリリースします。

関連論文リスト

• When Depth Hurts: Reliability-Aware Geometry Distillation for Depth-Free RGB-D Salient Object Detection [39.23633029110609]
  欠落した領域、ぼやけた境界、構造的アーティファクトは多モード核融合を通じて伝播し、RGB-D検出器はRGBのみの検出器よりも精度が低い。 本稿では,RGB-D SODベンチマークのための信頼性を考慮した幾何蒸留フレームワークを提案する。 ReDWeb-Sにおける13.4%のMAE削減を含む、最近のRGB-D SOD法と比較して、36のメトリック・データセットのうち26のベストまたはタイト・ベストな結果を達成する。
  論文  参考訳（メタデータ） (2026-09-03T05:29:10Z)
• GeoRay: Gauge-Aware Feed-Forward Satellite 3D Reconstruction in the Geodetic Frame [11.043507429399414]
  パースペクティブに制約された特徴、絶対標高、モノクラーおよびマルチビューキューを扱う方法。 軽量な ray-consistent アダプタは、凍結したバックボーンをネイティブな RPC 線に沿って適合させる。 18のシステムの絶対フレームベンチマークであるStandardは、登録やテスト参照リークなしに絶対配置をスコア付けします。
  論文  参考訳（メタデータ） (2026-08-30T09:27:36Z)
• Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs [62.865932175477035]
  計量3Dオブジェクト検出は、エンボディエージェントのコア機能であるが、最も信頼性の高いシステムは深度センサーに頼っている。 提案するMap-Det3Dは,RGBから再構成した3次元空間に直接検出を行うオンラインマルチビュー3Dオブジェクト検出モデルである。
  論文  参考訳（メタデータ） (2026-08-12T15:33:42Z)
• RealDenseFace: Real-time Monocular 3D Face Reconstruction from Dense UV-space Priors [28.196602417641927]
  本稿では,高密度UV空間ネットワーク予測を用いたリアルタイム最適化に基づく3次元顔再構成手法であるRealDenseFaceを提案する。 提案手法は,NeRSemble SVFRベンチマークにおける最先端の精度を実現する。
  論文  参考訳（メタデータ） (2026-08-10T08:04:36Z)
• One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models [27.522658390957886]
  忠実な3D世界表現は、単一のカメラ線が複数の有効な曲面を含むような層状幾何学を考慮に入れなければならない。 単眼深度推定は、この構造を1ピクセルあたりのスカラー深度に還元する。 透明なシーンは、この曖昧さを計測し、監督対象をシーン固有の真実ではなく、アノテーション、データ、トレーニングの慣習に変える。 深層選好と多層空間関係の精度を測定するためのスパースベンチマークであるMultiDepth-3kを紹介する。
  論文  参考訳（メタデータ） (2026-06-28T20:54:18Z)
• Geometry OR Tracker: Universal Geometric Operating Room Tracking [61.399734016038614]
  手術室(OR)では、世界規模のマルチビュー3Dトラッキングは、外科医の行動認識のような下流のアプリケーションをサポートする。 カメラのキャリブレーションとRGB-Dの登録は常に信頼性が低く、幾何学的不整合が生じる。 我々は、不正確なキャリブレーションをスケール一貫性と幾何学的に整合したカメラ設定に修正する2段階パイプラインであるGeometry OR Trackerを紹介する。
  論文  参考訳（メタデータ） (2026-02-28T09:21:21Z)
• Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
  バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。 本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。 我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
  論文  参考訳（メタデータ） (2026-02-27T08:54:20Z)
• Systematic Evaluation of Depth Backbones and Semantic Cues for Monocular Pseudo-LiDAR 3D Detection [0.0]
  KITTI検証において,深度バックボーンと機能工学が単分子Pseudo-LiDARパイプラインに与える影響を評価する。 既製のLiDAR検出器の下では、奥行きバックボーンの選択と幾何学的忠実度が二次的特徴注入よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-07T05:57:19Z)
• Tri-Perspective View Decomposition for Geometry-Aware Depth Completion [24.98850285904668]
  Tri-Perspective View Decomposition (TPVD)は、3D幾何学を明示的にモデル化できる新しいフレームワークである。 TPVDは元の点雲を3つの2Dビューに分解する。 TPVDは、KITTI、NYUv2、SUN RGBDの既存の手法より優れている。
  論文  参考訳（メタデータ） (2024-03-22T07:45:50Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)
• Learning to Predict the 3D Layout of a Scene [0.3867363075280544]
  本稿では,単一のRGB画像のみを使用する手法を提案し,LiDARセンサを持たないデバイスや車両に適用できるようにする。 KITTIデータセットは,クラスラベル付き道路交通シーン,2D境界ボックス,自由度7自由度3Dアノテーションで構成される。 我々は、公式のKITTIベンチマークで要求されるように、結合閾値70%の3次元交差で測定された適度に困難なデータに対して平均47.3%の平均精度を達成し、従来の最先端のRGBのみの手法よりも大きなマージンで上回った。
  論文  参考訳（メタデータ） (2020-11-19T17:23:30Z)
• End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection [62.34374949726333]
  擬似LiDAR(PL)は、LiDARセンサに基づく手法と安価なステレオカメラに基づく手法の精度ギャップを劇的に減らした。 PLは最先端のディープニューラルネットワークと2D深度マップ出力を3Dポイントクラウド入力に変換することで3Dオブジェクト検出のための3D深度推定を組み合わせている。 我々は、PLパイプライン全体をエンドツーエンドにトレーニングできるように、差別化可能なRepresentation (CoR)モジュールに基づく新しいフレームワークを導入します。
  論文  参考訳（メタデータ） (2020-04-07T02:18:38Z)

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。