論文の概要: DDMS: Discriminative Distillation of Multi-view Foundational Features into Single-view Models
- arxiv url: http://arxiv.org/abs/2608.23850v1
- Date: Mon, 24 Aug 2026 21:38:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.628709
- Title: DDMS: Discriminative Distillation of Multi-view Foundational Features into Single-view Models
- Title（参考訳）: DDMS: 単一ビューモデルへの多視点基礎的特徴の識別的蒸留
- Abstract要約: 我々は,マルチビューモデルを単一ビュー推定器に再蒸留することにより,拡張された3次元一貫した基礎的特徴を得ることができることを示した。
我々のキーとなる考え方は、事前訓練された2次元基礎機能と多視点幾何学的特徴を融合させることで、多視点教師を構築することである。
提案手法は,マルチビューの一貫性と局所的な識別性を向上する,より強力な3D認識基盤機能を一貫して生成する。
- 参考スコア（独自算出の注目度）: 17.93776710445663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Foundational visual features such as DINO have played a critical role across modern computer vision, and have recently become key components in multi-view feed-forward geometry estimators. In this work, we demonstrate that by re-distilling these multi-view models---their internal knowledge of 3D geometry---into a single-view estimator, we can obtain enhanced 3D consistent foundational features. Our key idea is to construct a multi-view teacher by fusing pretrained 2D foundation features with multi-view geometric features, and refining the fused representation with a discriminative ranking objective. Through our discriminative distillation framework, we enforce the learned features to be both 3D consistent and locally distinctive, while keeping them aligned with the feature space of the original foundation model to preserve the semantic structure of the pretrained representation. Consistency and local discriminability are critical for 3D computer vision problems such as forming semantic and geometric correspondences across images. To demonstrate the effectiveness of our method, we perform comprehensive experiments spanning multiple angles: direct feature analysis, dense prediction transfer, and explicit 3D lifting and rendering. Across these evaluations, our method consistently produces stronger 3D-aware foundation features that improve multi-view consistency and local discriminability while preserving the semantic transferability of the original representation.
- Abstract（参考訳）: DINOのような基礎的な視覚的特徴は、現代のコンピュータビジョンにおいて重要な役割を担い、最近では多視点フィードフォワード幾何推定器において重要な要素となっている。
本研究では,3次元幾何学の内部知識を1次元推定器に組み込むことで,拡張された3次元一貫した基礎的特徴を得ることができることを示す。
我々のキーとなる考え方は、事前学習された2次元基礎特徴と多視点幾何学的特徴とを融合させ、その融合表現を識別的ランキングの目的とすることで、多視点教師を構築することである。
差別的な蒸留フレームワークを通じて,学習した特徴を3次元の一貫性と局所的な特徴の両方に保ちながら,元の基礎モデルの特徴空間と整合させて,事前学習した表現の意味的構造を維持する。
一貫性と局所的な識別性は、画像間の意味的および幾何学的対応を形成するような3次元コンピュータビジョン問題にとって重要である。
提案手法の有効性を実証するために, 直接特徴解析, 密度予測伝達, 明快な3次元リフト・アンド・レンダリングなど, 複数の角度にまたがる包括的実験を行った。
提案手法は,従来の表現のセマンティックな伝達性を保ちながら,多視点の一貫性と局所的な識別性を向上する,より強力な3D認識基盤特性を一貫して生成する。
関連論文リスト
- Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors [61.34273238077091]
本稿では,物体の単一画像からオービタルビデオを生成する新しい手法を提案する。
本手法は,最先端の手法と比較して,視覚的品質,形状リアリズム,多視点整合性を実現している。
論文 参考訳（メタデータ） (2026-04-14T05:35:46Z) - Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。
エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。
第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。
第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
論文 参考訳（メタデータ） (2026-04-12T10:36:18Z) - Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。
PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
論文 参考訳（メタデータ） (2026-03-26T08:31:06Z) - Bringing Your Portrait to 3D Presence [46.11577347349078]
本研究では,頭部,半体,全体にまたがる単一のポートレートから,アニマタブルな3次元アバターを再構築するための統一的な枠組みを提案する。
提案手法は,ポーズやフレーミングに敏感な特徴表現,拡張性に制限のあるデータ,信頼できないプロキシ・メシュ推定という3つのボトルネックに対処する。
論文 参考訳（メタデータ） (2025-11-27T15:42:07Z) - Abstract 3D Perception for Spatial Intelligence in Vision-Language Models [100.13033631690114]
視覚言語モデル(VLM)は、空間認識や物理的理解といった3D関連課題に苦しむ。
我々は,VLMの幾何学的構造と物理力学を符号化するために,抽象的境界ボックスを利用するフレームワークであるSandboxVLMを紹介した。
提案手法は空間知能を常に向上させ,SAT Realの8.3%のゲインをベースライン法と比較して達成する。
論文 参考訳（メタデータ） (2025-11-14T04:16:09Z) - MoRE: 3D Visual Geometry Reconstruction Meets Mixture-of-Experts [50.37005070020306]
MoREは、Mixture-of-Experts (MoE)アーキテクチャに基づいた、密集した3Dビジュアル基盤モデルである。
MoREは、幾何推定を安定させ、洗練する信頼に基づく深度補正モジュールを組み込んでいる。
高忠実な表面正規予測のために,高密度なセマンティック特徴とグローバルな3Dバックボーン表現を統合する。
論文 参考訳（メタデータ） (2025-10-31T06:54:27Z) - Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。
具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。
これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
論文 参考訳（メタデータ） (2025-06-17T07:04:07Z) - 3D-Aware Vision-Language Models Fine-Tuning with Geometric Distillation [17.294440057314812]
VLM(Vision-Language Models)は様々な視覚的・言語的タスクにおいて顕著な性能を示した。
人為的な幾何学的手がかりを予め訓練されたVLMに注入するフレームワークであるGeometric Distillationを提案する。
本手法は、自然な画像テキスト入力と互換性を保ちながら、表現を幾何学的に認識するように形成する。
論文 参考訳（メタデータ） (2025-06-11T15:56:59Z) - Proto-FG3D: Prototype-based Interpretable Fine-Grained 3D Shape Classification [59.68055837500357]
本稿では,3次元形状のきめ細かい分類のためのプロトタイプベースフレームワークProto-FG3Dを提案する。
Proto-FG3Dは、Prototype Associationを介して、共同でマルチビューとマルチカテゴリ表現学習を確立する。
Proto-FG3Dは、精度、透明な予測、そして視覚化によるアドホックな解釈可能性において最先端の手法を超越している。
論文 参考訳（メタデータ） (2025-05-23T09:31:02Z) - 3D-LFM: Lifting Foundation Model [29.48835001900286]
ディープラーニングは、幅広いオブジェクトクラスを再構築する能力を拡大しました。
提案手法は, 3次元データインスタンス毎に異なる数点を管理するために, 固有置換同値変換器を利用する。
本稿では,2D-3Dリフトタスクベンチマークにおけるアートパフォーマンスについて述べる。
論文 参考訳（メタデータ） (2023-12-19T06:38:18Z) - PointMCD: Boosting Deep Point Cloud Encoders via Multi-view Cross-modal
Distillation for 3D Shape Recognition [55.38462937452363]
本稿では,教師として事前訓練されたディープイメージエンコーダ,学生としてディープポイントエンコーダを含む多視点クロスモーダル蒸留アーキテクチャを提案する。
複数ビューの視覚的および幾何学的記述子をペアワイズにアライメントすることで、より強力なディープポイントエンコーダを、疲労や複雑なネットワーク修正を伴わずに得ることができる。
論文 参考訳（メタデータ） (2022-07-07T07:23:20Z)
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。