Fugu-MT 論文翻訳(概要): PIVOT: A Multi-Trajectory Dataset and Testbed for Pose, Intrinsics, and Novel Viewpoint Evaluation in Real-World 3D Reconstruction

論文の概要: PIVOT: A Multi-Trajectory Dataset and Testbed for Pose, Intrinsics, and Novel Viewpoint Evaluation in Real-World 3D Reconstruction

arxiv url: http://arxiv.org/abs/2608.25401v1
Date: Wed, 26 Aug 2026 06:02:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-27 14:15:15.610262
Title: PIVOT: A Multi-Trajectory Dataset and Testbed for Pose, Intrinsics, and Novel Viewpoint Evaluation in Real-World 3D Reconstruction
Title（参考訳）: PIVOT: 実世界3次元再構成のための多軌道データセットとテストベッド
Abstract要約: PIVOT(Pose, Intrinsics and Viewpoint Oriented Testbed)は,多軌道データセット,処理パイプライン,評価フレームワークである。 PIVOTは様々なカメラトラジェクトリを使用して各シーンをキャプチャし、センサーで測定されたポーズとCOLMAPで最適化されたポーズの両方が利用可能である。評価対象は,(1)目視,(2)目視,(2)目視,(2)ポーズの感度,(3)内在の感度の調整,の3種類である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Neural radiance fields (NeRFs), 3D Gaussian Splatting (3DGS), and related novel-view synthesis methods are commonly evaluated under capture and reconstruction conditions cleaner than those encountered by robots, drones, and autonomous systems. Benchmarks often rely on reconstruction-friendly trajectories, optimized camera poses and intrinsics, and held-out views sampled from trajectories represented during training. These assumptions can obscure performance with measured poses, reusable camera calibration, and structurally different camera paths. We introduce PIVOT (Pose, Intrinsics and Viewpoint Oriented Testbed), a multi-trajectory dataset, processing pipeline, and evaluation framework for independently studying these factors. PIVOT captures each scene using diverse camera trajectories and retains, where available, both sensor-derived measured poses and COLMAP-optimized poses, together with calibrated and optimized camera intrinsics. It defines three benchmark families: (1) seen versus unseen trajectory novel-view generalization, (2) measured versus optimized pose sensitivity, and (3) calibrated versus optimized intrinsics sensitivity. We also introduce a directed pose-space Chamfer distance to quantify how well training poses cover an evaluation trajectory. PIVOT v1 contains five real-world scenes captured with a DJI Mini 4 Pro and provides an open processing and Nerfstudio-based evaluation toolchain. Benchmark results show a consistent quality gap between held-out views on represented trajectories and unseen trajectories, as well as substantial sensitivity to pose source and camera intrinsics.
Abstract（参考訳）: ニューラルレイディアンス場(NeRF)や3Dガウススプラッティング(3DGS)、関連する新規ビュー合成法は、ロボット、ドローン、自律システムで遭遇するものよりも、捕捉・再構成条件下で一般的に評価される。ベンチマークは、しばしばリコンストラクションフレンドリーな軌跡、最適化されたカメラのポーズと内在性、トレーニング中に表現された軌跡からサンプリングされたホールドアウトビューに頼っている。これらの仮定は、測定されたポーズ、再利用可能なカメラキャリブレーション、構造的に異なるカメラパスでパフォーマンスを曖昧にする可能性がある。 PIVOT(Pose, Intrinsics and Viewpoint Oriented Testbed)は,これらの因子を独立に研究するための多軌道データセット,処理パイプライン,評価フレームワークである。 PIVOTは、さまざまなカメラトラジェクトリを使用して各シーンをキャプチャし、センサーで測定されたポーズとCOLMAPで最適化されたポーズの両方を、キャリブレーションと最適化されたカメラ固有の機能とともに使用することができる。評価対象は,(1)目視,(2)目視,(2)目視,(2)ポーズの感度,(3)内在の感度の調整,の3種類である。また、評価軌跡をいかにうまくカバーするかを定量化するために、有向ポーズ空間Chamfer距離を導入する。 PIVOT v1には、DJI Mini 4 Proでキャプチャした5つの現実世界シーンが含まれており、オープン処理とNerfstudioベースの評価ツールチェーンを提供する。ベンチマークの結果は、表現された軌跡と見えない軌跡の保留ビュー間の一貫した品質差が示され、また、音源やカメラの内在性を示すためのかなりの感度が示される。

関連論文リスト

ReefMapGS: Enabling Large-Scale Underwater Reconstruction by Closing the Loop Between Multimodal SLAM and Gaussian Splatting [9.554102334590365]
本稿では,3DGSをベースとした逐次再構築フレームワークReefMapGSを提案する。複雑な地形を持つ2つの海底礁のCOLMAPフリーな3次元再構築と,700m以上の調査軌道上でのAUVのより正確なグローバルなポーズ推定について述べる。
論文参考訳（メタデータ） (2026-04-13T19:32:53Z)
Object Pose Transformer: Unifying Unseen Object Pose Estimation [54.20344997573707]
モデルなしのオブジェクトポーズ推定を未知のインスタンスで学習することは、3Dビジョンにおける根本的な課題である。我々のチームは、RGB入力から深度、ポイントマップ、カメラパラメータ、正規化されたオブジェクト座標を共同で予測します。当社はカメラ非依存で、カメラ固有の知識をオンザフライで学習し、メトリックスケールリカバリのためのオプションの深度入力をサポートします。
論文参考訳（メタデータ） (2026-03-24T16:04:16Z)
PCR-GS: COLMAP-Free 3D Gaussian Splatting via Pose Co-Regularizations [102.0476991174456]
COLMAPのない3DGSは、未ポーズの画像やビデオから高品質な3Dシーンを再構築する際、顕著なパフォーマンスのために注目を集めている。 PCR-GSはCOLMAPフリーな3DGS技術であり,カメラポーズによる3Dシーンモデリングとカメラポーズ推定を実現する。
論文参考訳（メタデータ） (2025-07-18T13:09:33Z)
TrackGS: Optimizing COLMAP-Free 3D Gaussian Splatting with Global Track Constraints [40.9371798496134]
マルチビュー幾何をグローバルに制約する機能トラックを組み込んだTrackGSを紹介する。また、幾何整合性を改善するために、再投射と後方投射の誤差を最小化することを提案する。内在性の勾配を導出することにより、カメラパラメータ推定と3DGSトレーニングを結合最適化フレームワークに統合する。
論文参考訳（メタデータ） (2025-02-27T06:16:04Z)
FLARE: Feed-forward Geometry, Appearance and Camera Estimation from Uncalibrated Sparse Views [100.45129752375658]
FLAREは、高品質カメラのポーズと3次元幾何を、補正されていないスパースビュー画像から推定するために設計されたフィードフォワードモデルである。本ソリューションでは,3次元構造を2次元画像平面にマッピングする上で,カメラポーズが重要なブリッジとして機能するケースケード学習パラダイムを特徴とする。
論文参考訳（メタデータ） (2025-02-17T18:54:05Z)
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)
SRPose: Two-view Relative Pose Estimation with Sparse Keypoints [51.49105161103385]
SRPoseは、カメラ・トゥ・ワールドおよびオブジェクト・トゥ・カメラシナリオにおける2ビュー相対ポーズ推定のためのスパースキーポイントベースのフレームワークである。精度と速度の点で最先端の手法と比較して、競争力や優れた性能を達成する。さまざまな画像サイズやカメラ固有の機能に対して堅牢であり、低コンピューティングリソースでデプロイすることができる。
論文参考訳（メタデータ） (2024-07-11T05:46:35Z)
Enhanced Stable View Synthesis [86.69338893753886]
本稿では,自由に動くカメラから撮影した画像から,新しいビュー合成を強化するアプローチを提案する。導入されたアプローチは、正確な幾何学的足場とカメラのポーズの復元が困難な屋外シーンに焦点を当てている。
論文参考訳（メタデータ） (2023-03-30T01:53:14Z)
A Critical Analysis of Image-based Camera Pose Estimation Techniques [18.566761146552537]
カメラのローカライゼーションは、自律運転、ロボットナビゲーション、拡張現実(AR)など、多くのコンピュータビジョン分野に恩恵をもたらす可能性がある本調査では,まず,異なるサブタスクに応じて,カメラのローカライゼーションポーズの特定の適用領域と評価指標を紹介する。
論文参考訳（メタデータ） (2022-01-15T09:57:45Z)

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。