論文の概要: SAMV-DUSt3R: Instance-Centric 3D Scene Decoupling from Sparse Multi-Views

• arxiv url: http://arxiv.org/abs/2609.11279v1
• Date: Thu, 10 Sep 2026 09:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.279501
• Title: SAMV-DUSt3R: Instance-Centric 3D Scene Decoupling from Sparse Multi-Views
• Title（参考訳）: SAMV-DUSt3R:スパース多視点からの3次元シーン分離
• Abstract要約: MV-DUSt3R再構成にSAM22Dマスクを注入するエンド・ツー・エンドモデルを提案する。 Cross Flow Mask Blockは、これらのマスクを使用して、ターゲットインスタンスに向かってネットワークをステアリングする。 軽量空間ランクGNNは最適基準ビューを73.5%の精度で選択する。
• 参考スコア（独自算出の注目度）: 7.228635929184805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rising demand to decouple objects from 3D scenes, we propose SAMV-DUSt3R, an end-to-end model that injects SAM2 2D masks into MV-DUSt3R reconstruction. A Cross Flow Mask Block uses these masks to steer the network toward the target instance, jointly improving shape accuracy and achieving object-level disentanglement without multi-stage pipelines. To ensure reconstruction stability, a lightweight Spatial RankGNN selects the optimal reference view with a selection accuracy of 73.5\%. Extensive experiments demonstrate that our method boosts average reconstruction precision by 11\% across various metrics compared to state-of-the-art baselines. These results reveal a strong instance-disentanglement capability and clear benefits for driving, robotics, AR/VR, and heritage digitisation.
• Abstract（参考訳）: オブジェクトを3Dシーンから切り離す需要が高まる中で, SAM2 2DマスクをMV-DUSt3R再構成に注入するエンド・ツー・エンドモデルSAMV-DUSt3Rを提案する。 Cross Flow Mask Blockは、これらのマスクを使用して、ターゲットインスタンスに向かってネットワークを操り、形状精度を共同で改善し、マルチステージパイプラインなしでオブジェクトレベルのゆがみを実現する。 軽量空間ランクGNNは、復元安定性を確保するため、最適基準ビューを73.5\%の精度で選択する。 提案手法は, 最先端のベースラインと比較して, 様々な指標で平均復元精度を11倍に向上することを示した。 これらの結果は、強力なインスタンス分散能力と、運転、ロボティクス、AR/VR、遺産のデジタル化に対する明確なメリットを明らかにしている。

関連論文リスト

• Scene-SAM3D: Multi-View Scene Asset Generation Without Fine-Tuning [51.11861596631423]
  Scene-SAM3Dは、SAM3Dをシングルビューオブジェクト生成からマルチビューシーンアセット生成まで拡張する、トレーニング不要のフレームワークである。 Scene-SAM3Dは、補完的なビューのコンパクトなセットを選択し、観察冗長性を低減し、個々のビューに隠された領域のさらなる証拠を提供する。 ステップ効率の遅延速度融合を行い、多視点エビデンスを統合し、標準空間におけるクロスビュー競合を抑制する。
  論文  参考訳（メタデータ） (2026-07-18T12:51:17Z)
• SpaR3D-MoE: Adaptive 3D Spatial Reasoning from Sparse Views Meets Geometry-Inductive Mixture-of-Experts [9.401672754315614]
  SpaR3DMoEは、粗いRGB入力のみから幾何学的認識機能を備えたMLLMによる適応的空間推論を可能にするエンドツーエンドのフレームワークである。
  論文  参考訳（メタデータ） (2026-07-07T09:27:38Z)
• Exploring SAM Supervision for Fine-Grained UAV Target Segmentation under Data Scarcity [0.0]
  無人航空機(UAV)の目標セグメンテーションは、オブジェクトの小さなサイズ、外観の変化、乱雑な背景、密接な注釈付きデータの不足により困難である。 本稿では,コンパクトセグメンテーションネットワークのトレーニングにおいて,SAM3を擬似ラベル生成器として用いることを検討する。
  論文  参考訳（メタデータ） (2026-07-04T07:59:10Z)
• Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
  現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。 この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。 非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2026-06-22T02:52:22Z)
• TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
  本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。 具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。 その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
  論文  参考訳（メタデータ） (2025-12-12T00:08:03Z)
• Triple Point Masking [49.39218611030084]
  既存の3Dマスク学習手法は、限られたデータの下でパフォーマンスボトルネックに遭遇する。 我々は、マスク付きオートエンコーダの事前学習のためのスケーラブルなフレームワークとして、TPMと呼ばれるトリプルポイントマスキング方式を導入する。 大規模な実験により,提案したTPMを組み込んだ4つのベースラインが,下流タスクの総合的な性能向上を実現することが示された。
  論文  参考訳（メタデータ） (2024-09-26T05:33:30Z)
• SD-MVS: Segmentation-Driven Deformation Multi-View Stereo with Spherical Refinement and EM optimization [6.886220026399106]
  テクスチャレス領域の3次元再構成における課題を解決するために,多視点ステレオ (SD-MVS) を導入する。 私たちは、シーン内のセグメンテーションインスタンスを区別するためにSAM(Segment Anything Model)を採用した最初の人です。 球面座標と正規点の勾配勾配と深度の画素方向探索間隔を組み合わせた独自の精細化戦略を提案する。
  論文  参考訳（メタデータ） (2024-01-12T05:25:57Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• Multi-initialization Optimization Network for Accurate 3D Human Pose and Shape Estimation [75.44912541912252]
  我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。 第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。 第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。 最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
  論文  参考訳（メタデータ） (2021-12-24T02:43:58Z)

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。