論文の概要: HiSfM: Disambiguating Structure-from-Motion via Scaffold-Anchored Hierarchical Reconstruction

• arxiv url: http://arxiv.org/abs/2609.04718v1
• Date: Fri, 04 Sep 2026 04:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.912922
• Title: HiSfM: Disambiguating Structure-from-Motion via Scaffold-Anchored Hierarchical Reconstruction
• Title（参考訳）: HiSfM: Scaffold-Anchored 階層的再構成による運動構造の曖昧化
• Abstract要約: 階層的な粗いSfMフレームワークであるHiSfMについて述べる。 あいまいさに重点を置くベンチマークと一般的なデータセットに関する実験は、HiSfMがあいまいさによって引き起こされる障害を防ぐことを示している。
• 参考スコア（独自算出の注目度）: 24.040776393056742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-from-Motion (SfM) is a fundamental tool for sparse 3D reconstruction with broad impact in robotics and vision, supporting mapping, localization, and large-scale scene modeling. However, conventional pipelines often fail under hard visual ambiguity caused by repeated or symmetric structures, and incur heavy computational cost due to redundant cameras and constraints. We present HiSfM, a hierarchical coarse-to-fine SfM framework that improves robustness and efficiency through scaffold construction. HiSfM first forms strong local communities using geometrical induced heuristics, then connects communities with a compact yet strong skeleton by packing edge-disjoint spanning trees (EDST) while verifying skeletal edges with a two-view disambiguator. We reconstruct a stable scaffold on this verified skeleton, serving as an anchor to capture the essence of the scene, and subsequently absorb remaining images via efficient registration and triangulation for further refinements. Experiments on ambiguity-focused benchmarks and general datasets show that HiSfM prevents ambiguity-induced failures while substantially reducing runtime compared to previous methods, and improves completeness over aggressive sparsification methods. Code is available at https://github.com/3dv-casia/HiSfM.
• Abstract（参考訳）: Structure-from-Motion (SfM) は、ロボット工学と視覚に幅広い影響を与え、マッピング、ローカライゼーション、大規模シーンモデリングをサポートする、スパース3D再構築の基本的なツールである。 しかし、従来のパイプラインは、繰り返しまたは対称構造によって引き起こされるハードな視覚的曖昧さの下で失敗し、冗長なカメラと制約のために計算コストが重い。 階層的な粗いSfMフレームワークであるHiSfMについて述べる。 HiSfMは、まず幾何学的に誘導されたヒューリスティックスを用いて強い地域コミュニティを形成し、それから2ビューの曖昧さで骨格の縁を検証しながら、エッジ不連続木(EDST)を梱包することで、コンパクトで強力な骨格とコミュニティを接続する。 我々は,この骨格の安定な足場を復元し,シーンの本質を捉えるアンカーとして機能し,さらに改良のために効率的な登録と三角測量によって残像を吸収する。 あいまい性に焦点を当てたベンチマークと一般的なデータセットの実験では、HiSfMはあいまい性によって引き起こされる障害を防止し、従来の方法に比べてランタイムを大幅に削減し、アグレッシブなスパーシフィケーションメソッドよりも完全性を向上させる。 コードはhttps://github.com/3dv-casia/HiSfM.comで入手できる。

関連論文リスト

• MSVS-VAE: Multi-Scale Anchored VecSet for High-Fidelity 3D Reconstruction [39.69838180175452]
  我々は,この忠実度ギャップをコンパクトさを犠牲にすることなく閉鎖する階層的集合ベースVAEであるMSVS-VAEを提案する。 我々のキーとなる考え方は、階層的な点シャッフルアップサンプリングにより、固定されたVecSet潜伏剤を徐々に密度化し、微細な幾何学モデリングのための空間容量を増大させることである。 生成ベンチマーク、ABO、およびその内部ベンチマークに関する大規模な実験は、MSVS-VAEが、以前のセットベースおよびボクセルベースのVAEよりも一貫して優れており、以前のセットベースメソッドよりも約10倍高速なデコードを提供し、ボクセルベースの約10倍のコンパクト性を提供することを示した。
  論文  参考訳（メタデータ） (2026-07-27T13:45:22Z)
• BA-T: An Iterative Transformer for Two-View Bundle Adjustment [53.16990349592508]
  暗黙のトークン空間における繰り返し可能なレイヤとして,BAスタイルの構造化更新を実装した反復変換器であるBA-Tを提案する。 実験により、BA-Tは反復間におけるポーズと再構成の精度を徐々に改善することが示された。 BA-Tは、奥行き重心に対するコンパクトで効率的で構造的な代替手段を提供し、軽量アーキテクチャ内で正確な3D再構成を可能にする。
  論文  参考訳（メタデータ） (2026-06-02T07:51:14Z)
• Global Structure-from-Motion Meets Feedforward Reconstruction [50.69771349993019]
  Structure-from-Motionはコンピュータビジョンにおける中心的な課題である。 近年のフィードフォワード3次元再構成の進歩は,従来のSfM法における持続的故障の克服に大きく貢献している。 そこで我々は,古典的手法とフィードフォワード手法のそれぞれの長所を組み合わせることで,新しいStructure-from-Motionパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-25T17:58:03Z)
• Mind the Gap: Geometrically Accurate Generative Reconstruction from Disjoint Views [0.8435195043404353]
  本稿では,新たなパラダイムとして,不随意視点からの生成的再構築を紹介する。 提案するGLADOSは,3段階にわたって動作する汎用モジュール型フレームワークである。 アーキテクチャに依存しないフレームワークとして、GLADOSは、生成、再構築、塗装における将来の進歩のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2026-05-08T10:24:23Z)
• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• S-VGGT: Structure-Aware Subscene Decomposition for Scalable 3D Foundation Models [15.408916900664783]
  フィードフォワード3Dファンデーションモデルは、グローバルな注目によって導入された二次計算コストという、大きな課題に直面している。 構造フレームレベルでの冗長性に対処する新しいアプローチである textbfS-VGGT を導入する。 S-VGGTは完全にトークンレベルの加速法であり、複雑なスピードアップにシームレスに組み合わせることができる。
  論文  参考訳（メタデータ） (2026-03-18T11:42:55Z)
• Towards Geometry-Aware and Motion-Guided Video Human Mesh Recovery [60.51998732898099]
  HMRMambaは3Dヒューマンメッシュリカバリのための新しいパラダイムである。 構造状態空間モデル(Structured State Space Models)をその効率性と長距離モデリングに利用した先駆者である。 まず、新しいデュアルスキャンのMambaアーキテクチャを特徴とするGeometry-Aware Lifting Moduleについて述べる。
  論文  参考訳（メタデータ） (2026-01-29T08:05:02Z)
• MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes [20.601722393809244]
  複雑な都市環境における効率的で堅牢な復興のための新しいフレームワークであるMetroGSを紹介する。 本手法は,分散2次元ガウススプラッティング表現を基本基盤として構築する。 大規模な都市データセットの実験により、MetroGSはより優れた幾何学的精度、レンダリング品質を達成することが示された。
  論文  参考訳（メタデータ） (2025-11-24T14:34:19Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• Robust Incremental Structure-from-Motion with Hybrid Features [73.55745864762703]
  本稿では,線とその構造的幾何学的関係を利用した漸進的構造移動システム(SfM)を提案する。 我々のシステムは、SfMの広く使われている点ベースの技術と比較すると、一貫して堅牢で正確である。
  論文  参考訳（メタデータ） (2024-09-29T22:20:32Z)

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。