論文の概要: When Does An Extra View Help? Adapting Single-View 3D Reconstruction with Extra Imagery

• arxiv url: http://arxiv.org/abs/2608.08132v1
• Date: Sat, 08 Aug 2026 13:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.691898
• Title: When Does An Extra View Help? Adapting Single-View 3D Reconstruction with Extra Imagery
• Title（参考訳）: 遠近視はいつ助けになるのか? 遠近視による一眼3D再構成
• Abstract要約: ASV3Dは、単一ビューの3Dオブジェクト再構成を1つの追加イメージからサポートされたテストタイムデータに適用するためのフレームワークである。 ASV3Dを適用して、ベンチマークと実世界の両方のデータセット上で、最先端の2つのシングルビュー3D再構築パイプラインを改善します。
• 参考スコア（独自算出の注目度）: 9.55951636411851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstruction of 3D objects from a single image is a challenging research problem in computer vision. The key challenge is the lack of critical information from viewpoints to complete 3D structures. Using an additional view may help to resolve the issue. However, there is no mechanism that can integrate the extra view into the single-view 3D reconstruction principle. We address this challenge by proposing ASV3D, a framework for adapting single-view 3D object reconstruction to test-time data with support from one additional image. We introduce two adaptation strategies: (i) a zero-shot adaptation scheme that leverages the auxiliary image to improve the reconstruction quality of an object without retraining, and (ii) an optimised adaptation scheme that further enhances visual fidelity and cross-view consistency via contrastive learning. We apply our ASV3D to improve two state-of-the-art single-view 3D reconstruction pipelines on both benchmark and real-world datasets. Results demonstrate that our approach consistently improves reconstruction accuracy and robustness under unconstrained multi-view inputs, outperforming the baselines in both quantitative metrics and human preference. We publish our code and the real-world object dataset in our project page at https://github.com/YNhuHuynh/ASV3D/tree/main.
• Abstract（参考訳）: 単一の画像から3Dオブジェクトを再構成することは、コンピュータビジョンにおいて難しい研究課題である。 重要な課題は、視点から完全な3D構造まで重要な情報の欠如である。 追加のビューを使用することで、問題の解決に役立ちます。 しかし、一視点の3D再構成原理に余分な視点を組み込むメカニズムは存在しない。 ASV3Dは1つの追加画像からサポートされたテスト時間データに単一ビューの3Dオブジェクト再構成を適用するためのフレームワークである。 適応戦略を2つ導入する。 一 補助画像を活用するゼロショット適応方式により、再訓練することなく、物体の復元品質を向上させること。 (II)コントラスト学習による視覚的忠実度と相互視の整合性をさらに向上させる最適化適応方式。 ASV3Dを適用して、ベンチマークと実世界の両方のデータセット上で、最先端の2つのシングルビュー3D再構築パイプラインを改善します。 その結果,提案手法は,制約のないマルチビュー入力による再現精度とロバスト性を一貫して改善し,定量的指標と人的嗜好の両方においてベースラインを上回っていることがわかった。 コードと実際のオブジェクトデータセットは、プロジェクトページ https://github.com/YNhuHuynh/ASV3D/tree/main で公開しています。

関連論文リスト

• View-Adaptive Renderer for View-Consistent 2D-to-3D Generation [2.8951915538170288]
  単一の画像から3D形状を再構築することは、コンピュータビジョンの根本的な問題でありながら難しい問題である。 従来の単分子3D生成パイプラインは、Neural Radiance Field (NeRF)ベースの再構成を適用する前に、1つの入力画像から複数のビューを合成する。 本稿では、部分的に矛盾したマルチビュー入力をしても頑健な3次元再構成を可能にする視点適応型レンダリングニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T04:28:08Z)
• Seeing Before Generating: Object Perception Enhances Single-View 3D Reconstruction [6.264701896062822]
  学習対象の知覚は3次元再構成を著しく向上させることができることを示す。 本研究では,事前学習した知覚モデルから抽出した知覚信号を利用する手法を提案する。 我々のアプローチはモデルに依存しないものであり、プラグアンドプレイ方式で様々な再構成手法に統合することができる。
  論文  参考訳（メタデータ） (2026-07-21T01:55:24Z)
• Pano3D: Unified 3D Reconstruction and Panoptic Segmentation [68.18993232814061]
  統合されたフレームワークで3次元再構成と3次元パノプティクスのセグメンテーションを行う手法を提案する。 既存の3次元再構成モデルを構築し,それをマスクデコーダで拡張する。 提案手法は,ScanNet,ScanNet200,ScanNet++データセット間の3次元パノプティクスセグメンテーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-06-12T09:43:13Z)
• DecoRec: Decomposed 3D Scene Reconstruction from Single-View Images via Object-Level Diffusion [65.65756111062005]
  textitDecoRecは、単一のビュー2D画像を分解された3Dシーンメッシュに高めるように設計されたシステムである。 以上の結果から,DecoRecはジオメトリと新規合成の両面において,高品質なワンビューシーン再構築を促進することが示唆された。
  論文  参考訳（メタデータ） (2026-05-16T04:23:48Z)
• HGGT: Robust and Flexible 3D Hand Mesh Reconstruction from Uncalibrated Images [81.42866295265443]
  高忠実度3Dハンドジオメトリはコンピュータビジョンにおいて重要な課題である。 スケーラブルなアプリケーションは、正確性とデプロイメントの柔軟性の両方を必要とします。 本研究では、3Dハンドメッシュとカメラのポーズを非校正視点から推定するフィードフォワードアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-25T06:54:34Z)
• 2L3: Lifting Imperfect Generated 2D Images into Accurate 3D [16.66666619143761]
  マルチビュー(MV)3次元再構成は,生成したMV画像を一貫した3次元オブジェクトに融合させる,有望なソリューションである。 しかし、生成された画像は、通常、一貫性のない照明、不整合幾何学、スパースビューに悩まされ、復元の質が低下する。 本稿では, 内在的分解誘導, 過渡的モノ先行誘導, および3つの問題に対処するための視認性向上を活用する新しい3次元再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T02:30:31Z)
• Single-view 3D Scene Reconstruction with High-fidelity Shape and Texture [47.44029968307207]
  本研究では,物体の形状とテクスチャを同時に高忠実度に再現する新しい枠組みを提案する。 提案手法は,SSR(Single-view Neural implicit Shape and Radiance Field)表現を用いて,明示的な3次元形状制御とボリュームレンダリングの両方を活用する。 我々のフレームワークの特徴は、単一のビュー3D再構成モデルにレンダリング機能をシームレスに統合しながら、きめ細かいテクスチャメッシュを生成する能力である。
  論文  参考訳（メタデータ） (2023-11-01T11:46:15Z)
• High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
  フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。 提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:52Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• Toward Realistic Single-View 3D Object Reconstruction with Unsupervised Learning from Multiple Images [18.888384816156744]
  マルチイメージデータセットから3次元再構成ネットワークを学習するための新しい教師なしアルゴリズムを提案する。 我々のアルゴリズムはより一般的であり、特別の場合として対称性が要求されるシナリオをカバーしている。 我々の手法は、品質と堅牢性の両方において、これまでの仕事を上回っている。
  論文  参考訳（メタデータ） (2021-09-06T08:34:04Z)

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。