論文の概要: Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2608.27529v1
• Date: Thu, 27 Aug 2026 15:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.100149
• Title: Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction
• Title（参考訳）: 長軸ストリーミング3次元再構成における局所文脈の再検討
• Abstract要約: ABot-Reconは、前の11フレームからKV機能をキャッシュするシンプルなストリーミングモデルである。 現在のカメラ座標系における点マップと、隣接するフレームの相対的なポーズを予測する。 蓄積ドリフトを低減するために、最近の視覚と運動のコンテキストを用いて、軽量の時間リファインダは相対回転を改善する。
• 参考スコア（独自算出の注目度）: 10.383154504465232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming 3D reconstruction from extremely long videos requires estimating camera motion and scene geometry online under bounded memory and computation. Early streaming models achieve causal, bounded-cost inference using finite context buffers or compact recurrent states, yet their estimates often deteriorate as sequences grow. Recent methods improve long-horizon stability by coupling short-range context with persistent or multi-level long-range memory. We pursue a different route: we keep the learned temporal state strictly local and formulate predictions whose targets remain independent of sequence length. We present ABot-Recon, a simple streaming model that caches KV features from only the preceding 11 frames. It predicts a point map in the current camera coordinate system together with an adjacent-frame relative pose. These predictions remain equivariant under changes of reference frame, and global poses and geometry are recovered through sequential composition. To reduce accumulated drift, a lightweight temporal refiner improves relative rotations using recent visual and motion context, while a composition-aware pose loss supervises multi-step pose composition. Extensive evaluations on challenging long-sequence benchmarks demonstrate the superior long-horizon performance of our local-context approach. On Oxford Spires, ABot-Recon achieves an ATE of 4.35 m and an RPE-R of $0.12^\circ$, reducing both errors by approximately 40\% relative to the best prior results.
• Abstract（参考訳）: 非常に長いビデオから3D再構成をストリーミングするには、バウンドメモリと計算の下で、オンラインでカメラの動きとシーンの幾何学を推定する必要がある。 初期ストリーミングモデルは、有限コンテキストバッファまたはコンパクトなリカレント状態を用いて因果的かつ有界なコスト推定を行うが、シーケンスが大きくなるにつれてその推定は劣化することが多い。 近年の手法は、短距離コンテキストを永続性または多レベル長距離メモリに結合することにより、長期安定性を向上させる。 学習した時間状態は厳密に局所的に保ち、ターゲットがシーケンス長に依存しない予測を定式化する。 ABot-Reconは、前の11フレームからKV機能をキャッシュするシンプルなストリーミングモデルである。 現在のカメラ座標系における点マップと、隣接するフレームの相対的なポーズを予測する。 これらの予測は参照フレームの変化の下でも変わらず、大域的なポーズや幾何学は逐次合成によって復元される。 蓄積ドリフトを低減するために、最近の視覚的・動作的文脈を用いて、軽量な時間的精細化器は相対的な回転を改善する一方、合成対応ポーズ損失は多段階ポーズ合成を監督する。 挑戦的なロングシーケンスベンチマークの大規模な評価は、我々のローカルコンテキストアプローチの長軸性能が優れていることを示す。 オックスフォード・スパイルズでは、ABot-Recon は ATE の4.35 m と RPE-R の0.12^\circ$ を達成し、両者のエラーを最高の事前結果に対して約 40 % 削減する。

関連論文リスト

• FFVO: A Feedforward Pose Decoder for Long-Horizon Visual Odometry [31.83986431141471]
  本稿では,効率的かつ時間的に安定なカメラ位置推定のための共同再構成アーキテクチャのポーズ特化適応であるFeedforward Visual Odometry (FFVO)を提案する。 FFVOは、(i) 時間的アグリゲーションを計算的に効率的に行うためのコンパクトなカメラトーケン表現、(ii) 階層的局所-言語的時間的デコーダ、(iii) 時間的安定性を促進する中間軌道監督を使用する。
  論文  参考訳（メタデータ） (2026-09-12T05:56:52Z)
• EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
  EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。 提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
  論文  参考訳（メタデータ） (2026-08-09T09:00:30Z)
• Anchor3R: Streaming 3D Reconstruction with Transient Anchors for Long-Horizon Visual Mapping [28.6268034980389]
  ロングホライゾンのオンライン視覚マッピングは、ロボット知覚のコア機能である。 最近のフィードフォワード3D再構成モデルは、第1フレームまたは永続的なシーンメモリに結び付けられた固定座標系におけるポーズを予測する。 フィードフォワード再構成を電流中心の局所測定予測として扱うストリーミング3D再構成フレームワークであるemphAnchor3Rを提案する。
  論文  参考訳（メタデータ） (2026-06-03T16:00:13Z)
• Geometric Context Transformer for Streaming 3D Reconstruction [51.19524805829903]
  LingBot-Mapは、ストリーミングデータからシーンを再構築するためのフィードフォワード3Dファウンデーションモデルである。 LingBot-Mapの定義的な側面は、アンカーコンテキスト、ポーズ参照ウィンドウ、トラジェクトリメモリを統合した、慎重に設計されたアテンションメカニズムにある。 この設計は、リッチな幾何学的コンテキストを維持しながら、ストリーミング状態をコンパクトに保ち、518 x 378の解像度入力に対して、20FPS程度の安定した効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2026-04-15T17:58:13Z)
• PAS3R: Pose-Adaptive Streaming 3D Reconstruction for Long Video Sequences [6.455635287305678]
  PAS3Rはポーズ適応型ストリーミング再構成フレームワークで、カメラの動きやシーン構造に応じて動的に状態更新を変調する。 PAS3Rは、長いビデオシーケンスにおける軌道精度、深さ推定、点雲再構成の精度を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-03-22T22:57:30Z)
• SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
  自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。 本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-16T02:55:14Z)
• LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory [97.14005794889134]
  提案するLoGeRは,高密度な3次元再構成を,後最適化なしで極めて長いシーケンスに拡張する新しいアーキテクチャである。 LoGeRはビデオストリームをチャンクで処理し、高忠実度なチャンク内推論に強力な双方向の事前処理を活用する。 このメモリアーキテクチャにより、LoGeRは128フレームのシーケンスでトレーニングでき、推論中に数千フレームまで一般化できる。
  論文  参考訳（メタデータ） (2026-03-03T18:55:37Z)
• GaVS: 3D-Grounded Video Stabilization via Temporally-Consistent Local Reconstruction and Rendering [54.489285024494855]
  ビデオの安定化は、元のユーザの動きの意図を保ちながら、望ましくないシャキネスを除去するので、ビデオ処理に欠かせない。 既存のアプローチは、運用するドメインによって、ユーザエクスペリエンスを低下させるいくつかの問題に悩まされます。 ビデオの安定化を時間的に一貫性のある局所的再構成とレンダリングのパラダイムとして再構成する,新しい3Dグラウンドアプローチである textbfGaVS を紹介する。
  論文  参考訳（メタデータ） (2025-06-30T15:24:27Z)
• Large-scale visual SLAM for in-the-wild videos [28.58692815339531]
  カジュアルビデオから3D再構成を改善するために,ロバストなパイプラインを導入する。 我々は近年の深部視覚計測法を基礎にしているが、いくつかの点で頑健性を高めている。 各種環境におけるオンラインビデオの大規模連続3Dモデルについて紹介する。
  論文  参考訳（メタデータ） (2025-04-29T07:37:51Z)
• Spatiotemporal Bundle Adjustment for Dynamic 3D Human Reconstruction in the Wild [49.672487902268706]
  本稿では,カメラの時間的アライメントと3次元点三角測量を共同で推定する枠組みを提案する。 複数の無同期・無同期ビデオカメラで捉えたイベントにおいて、人間の身体の3次元運動軌跡を再構成する。
  論文  参考訳（メタデータ） (2020-07-24T23:50:46Z)

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。