論文の概要: Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane

• arxiv url: http://arxiv.org/abs/2609.06809v1
• Date: Sun, 06 Sep 2026 19:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 04:29:11.023147
• Title: Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane
• Title（参考訳）: 格差の兆候:ステレオ・マッチはゼロ・ディパリティ・プレーンを超える
• Abstract要約: 立体視内容が、負の相違に対応するゼロの相違面の背後にある物体をどう含んでいるかを示す。 撮影者が作成した7本の公開映画から21,495ドルのステレオペアのベンチマークである textitZDPShift を提案する。 同じシーンコンテンツでは、ファンデーションは25.24ドルEPEから75.33ドルpxに上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。
• 参考スコア（独自算出の注目度）: 52.210414985125816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern stereo matching models fail when disparity crosses zero, with end-point error (EPE) rising by 4.6-37$\times$. Yet stereoscopic content, from cinema 3D to VR, routinely contains objects behind the zero-disparity plane (ZDP), corresponding to negative disparities. The blind spot cascades through datasets, architectures, and evaluation protocols, all of which inherit the non-negative geometry. Rectified parallel cameras place ZDP at infinity, so every finite depth yields $d=fB/z \ge 0$ by construction, and nothing within the standard pipeline can violate, or even measure, a negative disparity. To measure it, we propose \textit{ZDPShift}, a benchmark of $21{,}495$ stereo pairs from seven cinematographer-authored open movies, each frame rendered at five zero-disparity-plane positions with dense signed ground truth. Six state-of-the-art image and video stereo matching models collapse once the plane moves. On identical scene content, FoundationStereo goes from $2.24$ px EPE to $75.33$px, with every backbone leaving roughly half of all pixels exceeding a three-pixel disparity error. What is missing, however, is not the underlying matching capability. % The capability itself, however, is already present. Training on supervision synthesized from SceneFlow, which adds no new data or parameters, keeps the error flat across the signed range. Training only the decoder, with the pretrained matching features frozen, performs comparably across all six backbones, with EPE jittering within $0.2$px. Thus, the pretrained features already extend to the negative regime they were never trained on, and only the output convention discarded it. Meanwhile, positive-regime accuracy on KITTI, Middlebury, ETH3D, and Sintel is largely preserved.
• Abstract（参考訳）: 現代のステレオマッチングモデルは、不一致が0を超えると失敗し、終点誤差(EPE)は4.6-37$\times$で上昇する。 しかし、シネマ3DからVRまでの立体コンテンツは、負の相違に対応するゼロディパリティ平面(ZDP)の背後にあるオブジェクトを日常的に含んでいる。 盲点カスケードはデータセット、アーキテクチャ、評価プロトコルを通じて、いずれも非負の幾何学を継承する。 補正された平行カメラはZDPを無限に配置するので、すべての有限深度は建設によって$d=fB/z \ge 0$となり、標準パイプライン内の何物も負の差を犯したり、測定することができない。 そこで本研究では,撮影者が作成した7つの公開映画から21ドル,495ドルのステレオペアのベンチマークである「textit{ZDPShift}」を提案する。 6つの最新画像とビデオステレオマッチングモデルが、飛行機が動くと崩壊する。 同じシーンコンテンツでは、FoundationStereoは2.24$px EPEから75.33$pxまで上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。 しかし、欠けているのは、基礎となるマッチング機能ではない。 しかし、その能力自体はすでに存在する。 新しいデータやパラメータを追加しないSceneFlowから合成されたインスペクションのトレーニングは、署名された範囲にわたってエラーをフラットに保つ。 事前訓練されたマッチング機能が凍結されたデコーダのみのトレーニングは、6つのバックボーンすべてで互換性があり、EPEジッタリングは0.2$px以内である。 したがって、事前訓練された機能は、既に訓練されなかった負の体制にまで拡張され、出力規約のみがそれを破棄した。 一方、KITTI、ミドルベリー、ETH3D、シンテルの正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の

関連論文リスト

• CoVeR: Coverage-Based Token Pruning for Multi-View 3D Reasoning in VLMs [58.22241532542095]
  3Dシーンをマルチビュー画像として表現することで、2D VLMは事前学習の事前知識を再利用し、注釈付き3Dデータの不足を補うことで3Dを推論することができる。 既存の視覚トークンプルーナーは2つのファミリーに分かれ、それぞれが3Dマルチビュー設定に制限される。 空間被覆は3次元推論性能と関連し,トークン座標のみを用いた決定論的学習自由セレクタであるCoVeRを導入し,学習信号を持たないことを示す。
  論文  参考訳（メタデータ） (2026-09-08T07:16:37Z)
• Elastic Token Compression for Pixel-Space Diffusion Transformers [64.18588817660013]
  領域トークンインタフェース(Method)は、これらのトークンに拡散モデルを適用する。 メソッドは、一致した予算で事前の削減手法を導き、密度の高い品質を2.0times$の速度で一致させ、2.6times$の精度で維持する。
  論文  参考訳（メタデータ） (2026-08-29T14:06:27Z)
• Flex-$π$: A Multi-Stream World-Action Model with Compute Flexibility [25.477428304143235]
  RGBをエンコードする冷凍ビデオ生成VAEも、3Dのポイントマップをほとんど無傷でエンコードしており、ポイントマップ固有のトレーニングは一切ない。 これにより、RGBとともに3D幾何学とオブジェクト中心のDINOセマンティクスに基づいてFlex-$、6BパラメータのWAMを監督することができます。 すべての視覚信号がこの共有潜在空間に投影され、Mixture-of-Transformersバックボーン内のアクションと共同で識別される。
  論文  参考訳（メタデータ） (2026-08-11T12:33:51Z)
• What CLIP Knows but Cannot Say: Recovering Negation from Frozen Intermediate Features [3.9492850032415876]
  CLIPのような対照的な視覚言語モデルは、意味論的に逆のフレーズをほぼ同一の埋め込みにマッピングする。 中層は構成構文を構築するが、最終層は視覚的アライメントが上昇するにつれてこの構造を崩壊させる。 本稿では,ピーク時のエンコーダを傍受する軽量なポストホック補正システムであるPeakPatchを提案する。
  論文  参考訳（メタデータ） (2026-07-25T16:15:50Z)
• More Structure, Not More Capacity: Object-Centric Representations for Visuomotor Imitation Learning [54.65906330923846]
  対象中心のスロット表現は、事前学習された視覚モデルに代わる構造化された代替物であることを示す。 トークンの16倍の高密度なパッチグリッドは、グローバル機能に匹敵するパフォーマンスはない。 明示的な2D空間目標とネイティブ解像度レンダリングにより、全システムは68.7$pm$4.2%まで上昇し、特権付き3Dオーラクルの上界の直ぐ下にある。
  論文  参考訳（メタデータ） (2026-07-10T10:35:24Z)
• RayTun3R: Online Camera Adaptation in 3D Foundation Models [53.97305597591864]
  最近の3Dファウンデーションモデルは、強力なフィードフォワード深度を提供し、ピンホールのイメージを推定するが、魚眼カメラ幾何学の下では鋭く劣化する。 この失敗は、事前訓練された3次元基礎モデルの位置符号化におけるピンホールカメラバイアスによってもたらされることを示す。 軽量カメラ適応手法であるRayTun3Rを提案する。
  論文  参考訳（メタデータ） (2026-07-02T18:55:35Z)
• Cross-View Variance Correlation in Path-Traced Stereo:A Hidden Shortcut in Synthetic Training Data [0.0]
  パストレーシングされた合成ステレオデータは、多くの不均一推定訓練パイプラインを実現する。 基礎となる共分散場は, 地道不均等ワープに整列すると, 高い相関関係を示す。 この信号はMCレンダリングデータに特有であり、候補のsim-to-realショートカットを構成する。
  論文  参考訳（メタデータ） (2026-06-24T07:13:00Z)
• Diffusion Transformer World-Action Model for AV Scene Prediction [0.0]
  アクションコンディショニングされた世界モデルは、自動運転車が将来のカメラシーンを独自のコントロールから予測することを可能にする。 しかし、コンパクトで訓練可能なスケールでは、未来は曖昧であり、フィールドの標準歪み指標は積極的に誤解を招く。 我々はこれを、冷凍デコーダが最大256倍256ドルフレームを最大8秒前にレンダリングする将来のシーンの潜伏を予測するコンパクトな潜伏世界モデルと対決する。
  論文  参考訳（メタデータ） (2026-06-11T07:24:12Z)
• ZipSplat: Fewer Gaussians, Better Splats [89.08529100444004]
  本稿では,ガウス配置を画素グリッドから分離するトークンベースのフィードフォワードモデルZipSplatを提案する。 クロスアテンションとセルフアテンションはこれらのトークンを洗練させ、単一のトレーニングされたモデルは、再トレーニングせずに品質-効率曲線にまたがる。 ZipSplatは、画期的なポーズや内在的ポーズなしで動作しますが、DL3DVとRealEstate10Kに新しい状態を設定します。
  論文  参考訳（メタデータ） (2026-06-03T17:04:30Z)
• Exact equivariance, kept through training, buys zero-shot generalisation across the symmetry group [6.230579198456525]
  等変エンコーダ$E$と等変予測器$f$から構築された潜在世界モデルは、トレーニング損失の証明可能な対称性を継承する。 このエンドツーエンドをラップトップスケール(CPU/MPS、完全シード)で検証する。
  論文  参考訳（メタデータ） (2026-06-02T01:20:24Z)
• Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis [55.561961365113554]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)において顕著な効果を示した 本稿では,Self-Ensembling Gaussian Splatting(SE-GS)を紹介する。 我々は,トレーニング中に不確実性を認識した摂動戦略を導入することで,自己理解を実現する。 LLFF, Mip-NeRF360, DTU, MVImgNetデータセットによる実験結果から, 本手法がNVSの品質を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-31T18:43:48Z)

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。