論文の概要: Robust Global Structure-from-Motion via View Graph Pruning

• arxiv url: http://arxiv.org/abs/2608.22054v1
• Date: Sat, 22 Aug 2026 17:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.575741
• Title: Robust Global Structure-from-Motion via View Graph Pruning
• Title（参考訳）: ビューグラフプルーニングによるロバストグローバル構造制御
• Abstract要約: 本研究では,ロバストグローバルSfMのためのサブグラフ誘導ビューグラフ解析フレームワークを提案する。 私たちのキーとなる考え方は、信頼性の高いサブグラフの内部の一貫性を利用して、信頼できないコネクションを特定し、削除することです。 不明瞭でシーケンシャルで非秩序な画像データセットの実験は、我々の手法が困難条件下でのグローバルSfMのロバスト性を向上させることを実証している。
• 参考スコア（独自算出の注目度）: 25.23705801622607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structure-from-Motion (SfM) aims to estimate camera poses and reconstruct 3D structures from a collection of unordered images. Compared with incremental SfM, global SfM achieves better scalability by jointly estimating camera poses based on a view graph constructed from pairwise correspondences. However, its performance is highly sensitive to erroneous edges caused by visually ambiguous matches, which may lead to incorrect camera registration and reconstruction artifacts. In this work, we propose a subgraph-guided view graph pruning framework for robust global SfM. Our key idea is to exploit the internal consistency of reliable subgraphs to identify and remove unreliable connections. Specifically, we first partition the view graph into locally consistent subgraphs and perform global SfM within each subgraph to obtain reliable camera poses. We then apply RANSAC-based edge pruning across subgraphs to remove inconsistent edges, and finally perform global SfM on the refined view graph. Extensive experiments on ambiguous, sequential, and unordered image datasets demonstrate that our method improves the robustness of global SfM under challenging conditions. Further evaluation with neural rendering shows that the improved camera estimation leads to higher-quality novel view synthesis results.
• Abstract（参考訳）: Structure-from-Motion (SfM) は、カメラのポーズを推定し、秩序のない画像のコレクションから3D構造を再構築することを目的としている。 インクリメンタルなSfMと比較して、グローバルなSfMは、ペアの対応から構築されたビューグラフに基づいて、カメラのポーズを共同で推定することで、より良いスケーラビリティを実現する。 しかし、その性能は、視覚的不明瞭な一致によって引き起こされる誤ったエッジに非常に敏感であり、不正確なカメラの登録や復元に繋がる可能性がある。 本研究では,ロバストグローバルSfMのためのサブグラフ誘導ビューグラフ解析フレームワークを提案する。 私たちのキーとなる考え方は、信頼性の高いサブグラフの内部の一貫性を利用して、信頼できないコネクションを特定し、削除することです。 具体的には、まずビューグラフを局所的に一貫したサブグラフに分割し、各サブグラフ内でグローバルSfMを実行し、信頼性の高いカメラポーズを得る。 次に、RANSACベースのエッジプルーニングを適用し、不整合エッジを除去し、最後に洗練されたビューグラフ上でグローバルSfMを実行する。 不明瞭でシーケンシャルで非秩序な画像データセットに対する大規模な実験は、我々の手法が困難条件下でのグローバルSfMのロバスト性を改善することを実証している。 ニューラルレンダリングによるさらなる評価は、改良されたカメラ推定が高品質な新規ビュー合成結果をもたらすことを示している。

関連論文リスト

• Learning Global Camera Poses from Noisy View-Graphs for Structure from Motion [12.851731302874171]
  本稿では,学習されたビューグラフの集約に基づくグローバルな構造抽出フレームワークを提案する。 提案手法では,雑音に富んだペアの相対的なポーズを取る変分同変エッジ条件グラフニューラルネットワークを用いる。 我々はMegaDepth, 1DSfM, Strecha, BlendedMVSについて検討した。
  論文  参考訳（メタデータ） (2026-09-08T22:14:03Z)
• VidMap: Exploiting Temporal Structure for Video-Based Structure-from-Motion [53.78826038875198]
  SLAMの強い逐次制約とオフラインSfMの柔軟性とグローバル最適化を組み合わせたシステムを提案する。 われわれのアプローチは最先端のSLAMとSfMのどちらよりもはるかに堅牢で正確だ。
  論文  参考訳（メタデータ） (2026-07-29T17:58:04Z)
• DGSfM: Depth-Guided Scale-Aware Global Structure-from-Motion [40.127097529332815]
  本稿では,DGSfMを提案する。DGSfMは,モノクル深度マップを拡張性のある先行モデルとして用いるグローバルSfMパイプラインである。 各画像対に対して、深度対応の相対ポーズソルバを用いて、拡大あいまいなエピポーラ制約をスケール対応の相対ポーズ制約に変換する。 ETH3D と IMC2021 の実験では、DGSfM はスパースと密集したフロントエンドをまたいだ強いグローバルな SfM ベースラインよりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-07-10T15:18:37Z)
• Glob3R: Global Structure-from-Motion with 3D Foundation Models [44.33296410481359]
  Glob3Rは3Dファウンデーションモデルに基づいて構築されたグローバルなSfMスタイルの再構築である。 私たちのキーとなるアイデアは、フィードフォワード幾何学的予測を明示的に最適化することです。 屋内、屋外、大規模運転、および非秩序なSfMベンチマークの実験は、Glob3Rが堅牢で正確な再構築を実現することを示した。
  論文  参考訳（メタデータ） (2026-07-10T09:18:35Z)
• G-MASt3R-SfM: Graph-based View Pruning and Multi-stage Optimization for Robust SfM [1.3048920509133808]
  G-MASt3R-SfMは、2つの鍵モジュールによるロバスト性を高める新しいSfMパイプラインである。 まず、グラフベースのビュープルーニング(GVP)モジュールは、信頼度と幾何学的に不規則なビューとの整合性からシーングラフを構築する。 第二に、マルチステージ最適化(MSO)モジュールは、最適化範囲を局所的な一貫性からグローバルな一貫性へと拡張することで、カメラパラメータを段階的に洗練する。
  論文  参考訳（メタデータ） (2026-06-22T05:01:08Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
  FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。 当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。 包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:53Z)
• Correspondence-Guided SfM-Free 3D Gaussian Splatting for NVS [52.3215552448623]
  SfM(Structure-from-Motion)事前処理カメラのポーズのない新しいビュー合成(NVS)は、迅速な応答能力の向上と、可変動作条件に対する堅牢性の向上に不可欠である。 最近のSfMフリー手法は、ポーズ最適化を統合し、共同カメラのポーズ推定とNVSのためのエンドツーエンドフレームワークを設計している。 既存の作業の多くは、L2損失のようなピクセル単位の画像損失関数に依存している。 本研究では,NVSのためのSfMフリー3次元ガウススプラッティングを提案する。
  論文  参考訳（メタデータ） (2024-08-16T13:11:22Z)
• AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from Motion [48.835456049755166]
  AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。 当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。 本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
  論文  参考訳（メタデータ） (2023-01-28T09:06:50Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。