論文の概要: XDG: Accelerated Visual Disambiguation

• arxiv url: http://arxiv.org/abs/2608.29733v2
• Date: Fri, 04 Sep 2026 17:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 16:04:20.332586
• Title: XDG: Accelerated Visual Disambiguation
• Title（参考訳）: XDG: アクセラレーションされた視覚の曖昧さ
• Abstract要約: ドッペルガンガー問題(doppelganger problem)としても知られる視覚エイリアシングは、構造移動(Structure-from-motion, SfM)の重要な課題である。 我々は、スケーラブルなSfMのために設計された効率的な視覚的曖昧さモデルであるXDGを紹介する。
• 参考スコア（独自算出の注目度）: 9.036278881861959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual aliasing, also known as the doppelganger problem, remains a key challenge for structure-from-motion (SfM): visually similar but physically distinct surfaces can produce incorrect image matches and degrade reconstruction quality. Previous work mitigates this issue with geometry-aware foundation-model features, but places a heavy transformer classifier on top of the backbone, making large-scale disambiguation expensive. We introduce XDG, an efficient visual disambiguation model designed for scalable SfM. Our key observation is that a 3D foundation model already performs the cross-view geometric reasoning necessary for visual disambiguation, so doppelganger classification should adapt the backbone representation directly rather than relearn pair reasoning in a separate heavy decoder. XDG fine-tunes Depth Anything 3 with lightweight LoRA adapters and repurposes its camera tokens as compact pair-level classification tokens. A compact MLP head predicts whether a candidate image pair observes the same 3D surface. Extensive experiments show that XDG provides a favorable accuracy-efficiency tradeoff: it remains competitive with the state-of-the-art disambiguation method across pairwise and reconstruction benchmarks and delivers more than a 3x inference speedup. On individual LaMAR scenes containing thousands of images, XDG saves more than 10 hours of visual disambiguation processing. Code is available at https://github.com/xtcpete/xdg.
• Abstract（参考訳）: 視覚エイリアス(英: visual aliasing)またはドッペルガンガー問題(英: doppelganger problem)は、構造からの移動(英語版)(SfM)において重要な課題である。 以前の作業では、この問題を幾何学的に認識された基礎モデルの特徴で緩和するが、バックボーンの上に重いトランスフォーマー分類器を配置し、大規模な曖昧さを犠牲にしている。 我々は、スケーラブルなSfMのために設計された効率的な視覚的曖昧さモデルであるXDGを紹介する。 そこでドッペルガンガー分類では, 重復号器にペア推論を組み込むのではなく, バックボーン表現を直接適用すべきである。 軽量のLoRAアダプタを備えたXDGファイントゥネスDepth Anything 3は、カメラトークンをコンパクトなペアレベルの分類トークンとして再利用する。 コンパクトなMLPヘッドは、候補画像対が同じ3次元表面を観察するか否かを予測する。 XDGは、ペアワイドおよびリコンストラクションベンチマークで最先端の曖昧化手法と競合し続け、3倍以上の推論スピードアップを提供する。 何千もの画像を含む個々のLaMARシーンでは、XDGは視覚的曖昧化処理を10時間以上節約する。 コードはhttps://github.com/xtcpete/xdg.comで入手できる。

関連論文リスト

• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• OmniDS: Dual-Stream Context Fusion for Omnidirectional Depth from Fisheye Cameras [4.710825549574638]
  我々は,厳密な凝集を代替する反復的な深度改善フレームワークであるOmniDSを提案する。 デュアルストリームエンコーダは、幾何学的詳細のためにCNNと、セマンティック先行のために凍結されたDINOv3とをペアリングする。 効率的なデプロイのために、デュアルストリーム表現を単一のMobileNetベースのエンコーダに蒸留する。
  論文  参考訳（メタデータ） (2026-07-03T07:31:20Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• 3D-LENS: A 3D Lifting-based Elevated Novel-view Synthesis method for Single-View Aerial-Ground Re-Identification [1.621606615628714]
  Aerial-Ground Re-Identification (AG-ReID) は、視点領域のギャップによって制約される。 私たちはまず、Single-View AG-ReID設定をフォーマルにすることで、この問題に対処します。 3次元リフティングに基づく高次新規ビュー合成(3D-LENS)を提案する。
  論文  参考訳（メタデータ） (2026-04-29T10:38:48Z)
• PercHead: Perceptual Head Model for Single-Image 3D Head Reconstruction & Editing [51.56943889042673]
  PercHeadは、シングルイメージの3Dヘッド再構成とセマンティック3D編集のための方法である。 単一の入力画像からビュー一貫性を持つ3Dヘッドを再構成するための統一ベースモデルを開発する。 軽量でインタラクティブなGUIを通して、直感的で強力な3D編集機能を強調します。
  論文  参考訳（メタデータ） (2025-11-04T17:59:15Z)
• FastVGGT: Training-Free Acceleration of Visual Geometry Transformer [83.67766078575782]
  VGGTは最先端のフィードフォワード視覚幾何学モデルである。 本稿では,VGGTの高速化のためのトレーニングフリーメカニズムを用いて,3次元領域におけるトークンのマージを利用したFastVGGTを提案する。 1000の入力画像により、FastVGGTはVGGTの4倍の高速化を実現し、長いシーケンスシナリオにおけるエラーの蓄積を緩和する。
  論文  参考訳（メタデータ） (2025-09-02T17:54:21Z)
• Center-guided Classifier for Semantic Segmentation of Remote Sensing Images [2.803715177543843]
  CenterSegはリモートセンシング画像のセマンティックセグメンテーションのための新しい分類器である。 複数のプロトタイプ、グラスマン多様体の直接監督、解釈可能性戦略の問題を解決する。 優れたパフォーマンスに加えて、CenterSegにはシンプルさ、軽量さ、互換性、解釈可能性という利点がある。
  論文  参考訳（メタデータ） (2025-03-21T09:21:37Z)
• Doppelgangers++: Improved Visual Disambiguation with Geometric 3D Features [30.225172410427447]
  ドッペルガンガー検出の精度を高め、3次元再構成精度を向上させる手法であるドッペルガンガース++を提案する。 私たちのコントリビューションには、ランドマークベースのデータセットを超えて拡大するために、日々のシーンからジオタグ付きイメージを組み込んだ、多様なトレーニングデータセットが含まれています。 Doppelgangers++は、標準的なSfMとMASt3R-SfMパイプラインにシームレスに統合され、さまざまなシーンで効率性と適応性を提供する。
  論文  参考訳（メタデータ） (2024-12-08T06:08:47Z)
• View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
  我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。 本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。 提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-30T04:14:58Z)
• Doppelgangers: Learning to Disambiguate Images of Similar Structures [76.61267007774089]
  幻像マッチングは、人間が区別することは困難であり、3D再構成アルゴリズムに誤った結果をもたらす可能性がある。 本稿では,視覚的曖昧化に対する学習に基づくアプローチを提案し,イメージペア上でのバイナリ分類タスクとして定式化する。 本手法は, 難易度の高い画像の一致を識別し, SfMパイプラインに統合することにより, 正確な3次元再構成を実現できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T17:50:36Z)

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。