論文の概要: Gallileo-4D: Frozen Backbone Ensemble for Dynamic 4D Reconstruction
- arxiv url: http://arxiv.org/abs/2608.19743v1
- Date: Thu, 20 Aug 2026 07:42:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.485972
- Title: Gallileo-4D: Frozen Backbone Ensemble for Dynamic 4D Reconstruction
- Title（参考訳）: Gallileo-4D:動的4D再構成のための冷凍バックボーンアンサンブル
- Abstract要約: 我々はPhysAI Dynamic 4D Restruction Challengeへの参加について説明する。27チーム中3チームが0.58356 APDで最終リーダーボードに立った。
トレーニング済みの4Dバックボーンの13の微調整構成、12のチャレンジスコアの劣化、そして12のローカルバリデーションのうち11が同時に改善された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We describe our entry to the PhysAI Dynamic 4D Reconstruction Challenge, which placed third of 27 teams at 0.58356 APD on the final leaderboard, without a single gradient update. This was not the plan: of thirteen fine-tuning configurations of a pre-trained 4D backbone, twelve degraded the challenge score, and eleven of those twelve improved local validation at the same time. We trace this inversion to the structure of the benchmark: only 25% of the evaluation set belongs to the data variant released for training, so updates that fit the available data damage the pre-trained features the remaining 75% relies on. Our system therefore freezes the backbone and spends its budget at inference time, fusing three decoding configurations -- temporal stride-3, horizontal-flip test-time augmentation, and dense stride-1 -- under a convex weighting. The ensemble recovers +0.041 APD over the frozen baseline, more than any training run achieved, at zero training cost.
- Abstract（参考訳）: 私たちはPhysAI Dynamic 4Dレコンストラクションチャレンジへのエントリーについて説明します。27チームのうち3つを0.58356 APDで最終リーダーボードに配置しました。
トレーニング済みの4Dバックボーンの13の微調整構成、12のチャレンジスコアの劣化、そして12のローカルバリデーションのうち11が同時に改善された。
評価セットの25%だけがトレーニング用にリリースされたデータ変種に属しているため、トレーニング済みの機能に適合するアップデートは、残りの75%が依存しています。
したがって,本システムは背骨を凍結し,その予算を推定時間に費やし,凸重み付けの下で3つのデコード構成 – 時間的ストライド-3,水平フリップ試験時間増強,高密度ストライド-1 – を融合させる。
アンサンブルは凍ったベースライン上で+0.041 APDを回復し、訓練コストはゼロであった。
関連論文リスト
- Pre-carved Niches: The Formation Dynamics of Modular Task Partitions in Early LLM Training [2.446942686520097]
大きな言語モデルは、人間の脳のよく研究された機能的ネットワークを反映するモジュラー内部組織を示す。
我々は、Pythia-410Mモデルをスクラッチ(2つのトラジェクトリ、bf16、fp32)からトレーニングし、各ステップで属性パッチを実行する。
基板からの逸脱は、学習されるドメインにのみ現れ、モジュラリティが学習を追跡するという仮説と一致する。
論文 参考訳（メタデータ） (2026-09-01T12:47:09Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - Dancing Stick Figures: An Introductory Dataset for Training Video Generation Models [0.0]
Dancing Stick Figuresは,3つの障害に対して構築された合成ビデオデータセットだ。
スピードに関しては、64x64の64フレーム参照タスクは、単一のワークステーションGPUで実際に繰り返しトレーニングするためにサイズが大きすぎる。
アクセシビリティーのために、このリリースは4,020本のビデオクリップ-1,340本の6秒のソースモーションの0.79GBのトレーニングティアである。
論文 参考訳（メタデータ） (2026-08-29T08:03:19Z) - Lift4D: Harmonizing Single-View 3D Estimation for 4D Reconstruction In-the-Wild [87.49244020695505]
モノクロビデオから動的非剛体オブジェクトを再構成するには、幾何学と外観に関するデータ駆動の先行と直接観察から視覚的手がかりを統合する必要がある。
以前のアプローチでは、視覚的な入力から直接4D表現を予測するか、ビデオエビデンスに基づいて変形して洗練される3D表現を初期化する。
We present Lift4D, a test-time optimization framework that handle both limits。
論文 参考訳（メタデータ） (2026-06-22T17:59:54Z) - TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
論文 参考訳（メタデータ） (2026-06-14T16:59:48Z) - S23DR 2026: End-to-End 3D Wireframe Prediction via DETR-Style Set Prediction with Contrastive Denoising [0.0]
マルチビューCOLMAP点雲からワイヤフレームを構築する方法を提案する。
SDR(Structured Semantic Reconstruction) 2026 Challengeに登録されている。
論文 参考訳（メタデータ） (2026-06-12T07:29:10Z) - Free Geometry: Refining 3D Reconstruction from Longer Versions of Itself [38.95274911975506]
Free Geometryは、フィードフォワードの3D再構成モデルが3D基底の真理なしにテスト時に自己進化することを可能にするフレームワークである。
当社のアプローチは、4つのベンチマークデータセットにまたがって、Depth Anything 3やVGGTといった最先端の基礎モデルを継続的に改善しています。
論文 参考訳（メタデータ） (2026-04-15T16:24:03Z) - Self-Improving 4D Perception via Self-Distillation [49.729154812786696]
SelfEvoは、非現実的なビデオを使用して、トレーニング済みのマルチビュー再構築を継続的に改善するセルフトレーニングフレームワークである。
我々は、損失信号、非対称性の形態、その他の訓練戦略を含む自己改善を効果的に行う設計選択を体系的に研究する。
全体として、SelfEvoはラベル付きデータを使わずに36.5%の動画深度推定と20.1%のカメラ推定を達成している。
論文 参考訳（メタデータ） (2026-04-09T17:59:04Z) - Zero-shot Inexact CAD Model Alignment from a Single Image [53.37898107159792]
1つの画像から3Dシーン構造を推測する実践的なアプローチは、データベースから密に一致する3Dモデルを検索し、画像内のオブジェクトと整列させることである。
既存のメソッドは、イメージによる教師付きトレーニングとアノテーションのポーズに依存しており、オブジェクトカテゴリの狭いセットに制限されている。
ポーズアノテーションを必要とせず、未知のカテゴリに一般化する不正確な3次元モデルの弱い教師付き9-DoFアライメント法を提案する。
論文 参考訳（メタデータ） (2025-07-04T04:46:59Z) - PoseTriplet: Co-evolving 3D Human Pose Estimation, Imitation, and
Hallucination under Self-supervision [102.48681650013698]
既存の自己監督型3次元ポーズ推定スキームは、学習を導くための弱い監督に大きく依存している。
そこで我々は,2D-3Dのポーズペアを明示的に生成し,監督を増強する,新しい自己監督手法を提案する。
これは、ポーズ推定器とポーズ幻覚器を併用して学習する強化学習ベースの模倣器を導入することで可能となる。
論文 参考訳（メタデータ） (2022-03-29T14:45:53Z) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳（メタデータ） (2020-08-16T13:38:41Z)
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。