論文の概要: RoMa-$Ω$: What Feed-Forward 3D Models Know About Image Matching

• arxiv url: http://arxiv.org/abs/2609.09507v1
• Date: Tue, 08 Sep 2026 22:50:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.832875
• Title: RoMa-$Ω$: What Feed-Forward 3D Models Know About Image Matching
• Title（参考訳）: RoMa-$Ω$:フィードフォワード3Dモデルが画像マッチングについて知っていること
• Abstract要約: フィードフォワード再構成モデルは線形探索と完全マッチングパイプラインに対して強力な表現を提供することを示す。 私たちは、DINOのバックボーンをVGGT-$$に置き換えることで、RoMa v2をトレーニングします。 得られたモデルである我々のモデルは、幅広いベンチマークで最先端のマーカよりも優れています。
• 参考スコア（独自算出の注目度）: 31.653720177504795
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learned image matching has experienced significant progress in recent years, culminating in robust and accurate matchers such as RoMa, whose robustness is often attributed to its use of frozen DINO features. In a parallel development, feed-forward reconstruction models, such as VGGT, have been trained on ever-growing datasets to accurately regress dense 3D point maps and camera poses. The distinction between matchers and feed-forward reconstruction models has become increasingly blurred with the introduction of matching losses in models such as MASt3R and VGGT-$Ω$. This raises a natural question: what do feed-forward 3D models know about image matching? In this work, we answer this question by analyzing three scenarios: (i) zero-shot matching of patch features, (ii) direct matching of 3D point predictions, and (iii) training a full matcher on top of the learned representations. We find that, despite performing poorly in zero-shot matching, especially in later layers, feed-forward reconstruction models provide strong representations for linear probing and full matching pipelines. We further show that, even without any training, their raw predictions alone enable competitive matching, albeit only under moderate viewpoint changes and modality gaps. Based on these insights, we retrain RoMa v2 by replacing its DINO backbone with VGGT-$Ω$. Our resulting model, \ours, outperforms state-of-the-art matchers on a wide range of benchmarks, e.g. +8.1 mAA compared to RoMa v2 on WxBS.
• Abstract（参考訳）: 学習された画像マッチングは近年大きな進歩を遂げており、ロマのようなロマのような頑丈で正確なマッチングは、しばしば凍結DINO機能の使用に起因する。 並列開発において、VGGTのようなフィードフォワード再構成モデルは、密集した3Dポイントマップとカメラのポーズを正確に再現するために、継続的に成長するデータセットで訓練されている。 MASt3RやVGGT-$Ω$といったモデルに一致する損失が導入されたことで、マーカとフィードフォワード復元モデルの区別はますます曖昧になっている。 フィードフォワードの3Dモデルは、画像マッチングについて何を知っているのか? 本研究では,3つのシナリオを分析して,この問題に答える。 (i)パッチ機能のゼロショットマッチング (二)3次元点予測の直接マッチング、及び (三 学習した表現の上にフルマッカーを鍛えること。) 特に後続の層ではゼロショットマッチングが不十分であったにもかかわらず、フィードフォワード再構成モデルは線形探索と完全マッチングパイプラインのための強力な表現を提供する。 さらに、トレーニングがなくても、彼らの生の予測だけでは、適度な視点の変化とモダリティのギャップの下でのみ、競争的なマッチングを可能にすることが示される。 これらの知見に基づいて、DINOのバックボーンをVGGT-$Ω$に置き換えることで、RoMa v2をトレーニングする。 得られたモデルである \ours は、WxBS の RoMa v2 と比較して、幅広いベンチマークで最先端のマーカ、例えば g + 8.1 mAA を上回ります。

関連論文リスト

• Free Geometry: Refining 3D Reconstruction from Longer Versions of Itself [38.95274911975506]
  Free Geometryは、フィードフォワードの3D再構成モデルが3D基底の真理なしにテスト時に自己進化することを可能にするフレームワークである。 当社のアプローチは、4つのベンチマークデータセットにまたがって、Depth Anything 3やVGGTといった最先端の基礎モデルを継続的に改善しています。
  論文  参考訳（メタデータ） (2026-04-15T16:24:03Z)
• LoMa: Local Feature Matching Revisited [56.73318466794448]
  局所的特徴マッチングは、Structure-from-Motion (SfM) のような3次元視覚システムの基本コンポーネントとして長い間使われてきた。 本稿では,データ駆動の観点から局所的特徴マッチングを再考する。 大規模で多様なデータミックス、現代的なトレーニングレシピ、スケールされたモデルキャパシティ、スケールされた計算を組み合わせることで、パフォーマンスが著しく向上します。
  論文  参考訳（メタデータ） (2026-04-06T17:59:49Z)
• Fin3R: Fine-tuning Feed-forward 3D Reconstruction Models via Monocular Knowledge Distillation [16.22677555146353]
  Fin3Rはフィードフォワード3次元再構成モデルのためのシンプルで効果的で汎用的な微調整法である。 DUSt3R, MASt3R, CUT3R, VGGT など幅広いモデルで本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-11-27T13:10:19Z)
• RoMa v2: Harder Better Faster Denser Feature Matching [56.71494120301684]
  Dense Feature Matchは、3Dシーンの2つの画像間のすべての対応を推定することを目的としている。 既存の密集型マーカは、多くのハード・リアル・ワールド・シナリオで失敗したり、性能が悪くなったりします。 本稿では,これらの弱点を,一連の系統的な改善を通じて広範囲にわたって攻撃する。
  論文  参考訳（メタデータ） (2025-11-19T18:59:38Z)
• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• YoNoSplat: You Only Need One Model for Feedforward 3D Gaussian Splatting [79.38712054342625]
  YoNoSplatは、任意の数の画像から高品質な3次元ガウス格子表現を再構成するフィードフォワードモデルである。 我々のモデルは非常に多用途で、ポーズとアンポーズの両方で効果的に動作し、校正され、校正されていない入力を処理します。 ポーズフリーとポーズ依存の両方の設定で、標準ベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-11-10T17:21:54Z)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• Grounding Image Matching in 3D with MASt3R [8.14650201701567]
  本稿では,トランスフォーマーをベースとした強力な3次元再構成フレームワークであるDUSt3Rによる3Dタスクのキャストマッチングを提案する。 我々は,DUSt3Rネットワークを高密度な局所的特徴を出力する新しいヘッドで拡張することを提案する。 提案手法はMASt3Rとよばれる手法で,複数のマッチングタスクにおいて技量を著しく上回っている。
  論文  参考訳（メタデータ） (2024-06-14T06:46:30Z)
• Invariant Training 2D-3D Joint Hard Samples for Few-Shot Point Cloud Recognition [108.07591240357306]
  我々は,従来の3次元モデルとよく訓練された2次元モデルとの合同予測を用いて,少数の3次元物体の雲認識におけるデータ不足問題に取り組む。 異なるラベルに対して高い信頼性の予測を行う'結合型ハードサンプル'のトレーニングは、クラックがより効果的でないことが分かりました。 InvJointと呼ばれる提案した不変トレーニング戦略は、ハードサンプルに重点を置いているだけでなく、矛盾する2Dと3Dの不明瞭な予測の相違も求めている。
  論文  参考訳（メタデータ） (2023-08-18T17:43:12Z)
• RoMa: Robust Dense Feature Matching [17.015362716393216]
  特徴マッチングは、3Dシーンの2つの画像間の対応を推定する重要なコンピュータビジョンタスクである。 基礎モデルであるDINOv2の凍結事前学習機能を利用するモデルを提案する。 頑健性をさらに向上するために, 整列型トランスフォーマーマッチングデコーダを提案する。
  論文  参考訳（メタデータ） (2023-05-24T17:59:04Z)

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。