論文の概要: Multi-View Structure-from-Motion Enables Oriented Projective Shape Analysis in Three Dimensions
- arxiv url: http://arxiv.org/abs/2609.13263v1
- Date: Mon, 07 Sep 2026 03:02:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.151496
- Title: Multi-View Structure-from-Motion Enables Oriented Projective Shape Analysis in Three Dimensions
- Title（参考訳）: 運動からの多視点構造により3次元の投影形状解析が可能となる
- Abstract要約: 本稿では,Agisoft Metashape Professional 2.3.0 で構築された $n = 8$ SfM 再構成で,Patrangenaru などの3キューブオブジェクトを再検討する。
SfM再建はステレオより約26倍集中しており、再建精度は大幅に向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Projective shape analysis provides a geometric framework for studying landmark configurations in digital images acquired by pinhole cameras. In the classical projective shape (PS) model, three-dimensional configurations ($k$-ads) are represented as points in $(\mathrm{RP}^3)^q$, $q = k - 5$. A nonparametric test is developed in Patrangenaru et al. [12], for this framework, to determine whether an object matches a design blueprint, with each configuration reconstructed from a single uncalibrated stereo pair. Such two-view reconstructions are identified only up to a 3D projective transformation, which may reverse orientation, so that the sign-blind PS summary was the only available, before oriented projective shape (OPS) was recently considered. Multi-view Structure-from-Motion (SfM) technology removes this obstruction: its bundle adjustment is identified up to an orientation-preserving projective transformation. In this paper we revisit a well-cited three-cube object, from Patrangenaru et al. [12], with $n = 8$ SfM reconstructions built in Agisoft Metashape Professional 2.3.0, and validate our implementation by reproducing the published stereo construction from the original data. This allows us to perform what is to the best of our knowledge the first three-dimensional OPS analysis, compute its extrinsic total-variance index and perform statistical inference in this novel setting. Due to the high concentration of SfM data, the OPS index is asymptotically one-half the PS index, a structural consequence of concentration rather than a property of the object. Here our blueprint hypothesis is not rejected for any of the $q = 14$ non-frame landmarks, while the SfM reconstructions are about 26 times more concentrated than the stereo ones, a substantial gain in reconstruction precision. Sample-size, photograph-count, and frame-ordering analyses support the robustness of these conclusions.
- Abstract（参考訳）: 投影形状解析は、ピンホールカメラが取得したデジタル画像のランドマーク構成を研究するための幾何学的枠組みを提供する。
古典的射影形(PS)モデルでは、3次元構成(k$-ads)は$(\mathrm{RP}^3)^q$, $q = k - 5$の点として表される。
このフレームワークのためにPatrangenaru et al[12]では、オブジェクトが設計図にマッチするかどうかを判断する非パラメトリックテストが開発され、各構成は単一の未校正されたステレオペアから再構成される。
このような2次元再構成は、3次元射影変換でのみ識別され、この変換は逆向きになる可能性があるため、最近OPSが検討される前に、手書きのPS要約が唯一利用可能であった。
Multi-view Structure-from-Motion (SfM) 技術は、この障害を取り除く。
本稿では,Agisoft Metashape Professional 2.3.0 で構築された$n = 8$ SfM 再構成を用いて,Patrangenaru et al [12] の3つのキューブオブジェクトを再検討し,公開されているステレオ構造を元のデータから再現して実装を検証する。
これにより、最初の3次元OPS解析の知識を最大限に活用し、その外在的な全分散指数を計算し、この新しい設定で統計的推論を行うことができる。
SfMデータの高濃度のため、OPS指数はPS指数の漸近的な半減であり、これは物体の性質よりも濃度の構造的な結果である。
ここでは、我々のブループリント仮説は、$q = 14$の非フレームランドマークに対して拒絶されないが、SfM再構成はステレオよりも約26倍集中しており、復元精度が大幅に向上する。
サンプルサイズ、写真数、フレームオーダー分析は、これらの結論の堅牢性を支持する。
関連論文リスト
- PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems [55.84012796735184]
近年,3次元再構築システムの入力ビューについて検討している。
本稿では,対向的摂動を最適化し,対面不整合を意図的に導入するPoInit-of-Viewを提案する。
実験により,多種多様な3次元再構成システムとデータセットに対するPoInit-of-Viewの有効性が示された。
論文 参考訳（メタデータ） (2026-04-17T00:48:12Z) - GGPT: Geometry Grounded Point Transformer [22.64445696362087]
本稿では,GGPT(Geometry-Grounded Point Transformer)について紹介する。
この基礎の上に構築された幾何誘導型3次元点変換器は,比例的な部分幾何学的監督の下で高密度点マップを洗練する。
論文 参考訳（メタデータ） (2026-03-11T18:00:04Z) - PointCoT: A Multi-modal Benchmark for Explicit 3D Geometric Reasoning [82.55361351483005]
我々は,3次元データに対する明示的なチェーン・オブ・ソート(CoT)推論でMLLMを強化する新しいフレームワークであるPointCoTを提案する。
両ストリームのマルチモーダルアーキテクチャを活用することで,幾何学的真理とセマンティックな外観を相乗化することができる。
論文 参考訳（メタデータ） (2026-02-27T11:47:45Z) - AMB3R: Accurate Feed-forward Metric-scale 3D Reconstruction with Backend [18.645700170943975]
AMB3Rは、計量スケールで密集した3次元再構成のためのフィードフォワードモデルである。
AMB3Rは運動から非平衡視覚計測(オンライン)や大規模構造へシームレスに拡張可能であることを示す。
論文 参考訳（メタデータ） (2025-11-25T14:23:04Z) - OPFormer: Object Pose Estimation leveraging foundation model with geometric encoding [2.1987601456703474]
オブジェクト検出とポーズ推定をシームレスに統合する統合されたエンドツーエンドフレームワークを導入する。
当システムではまずCNOS検出器を用いて対象物体のローカライズを行う。
検出毎に、新しいポーズ推定モジュールOPFormerが正確な6Dポーズを推測する。
論文 参考訳（メタデータ） (2025-11-16T14:19:52Z) - KineDiff3D: Kinematic-Aware Diffusion for Category-Level Articulated Object Shape Reconstruction and Generation [28.822034731724013]
ノートパソコンや引き出しなどのアーティキュレートオブジェクトは、3D再構成とポーズ推定において重要な課題を示す。
そこで我々は, KineDiff3D: Kinematic-Aware Diffusion for Category-Level Articulated Object Shape Reconstruction and Generationを提案する。
論文 参考訳（メタデータ） (2025-10-20T04:15:40Z) - Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。
本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。
実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
論文 参考訳（メタデータ） (2025-09-29T16:18:32Z) - DualPM: Dual Posed-Canonical Point Maps for 3D Shape and Pose Reconstruction [67.13370009386635]
そこで,Dual Point Map (DualPM)を導入し,同じ画像一点関連画素からオブジェクト上の3D位置へ,残りのポーズでオブジェクトの標準バージョンへ,一対の点マップを抽出する。
3次元再構成と3次元ポーズ推定はDualPMの予測に還元できることを示す。
論文 参考訳（メタデータ） (2024-12-05T18:59:48Z) - POC-SLT: Partial Object Completion with SDF Latent Transformers [1.5999407512883512]
3次元幾何形状完成ヒンジは、表現学習と幾何データの深い理解に基づく。
符号付き距離場(SDF)を表す潜在空間で動作する変圧器を提案する。
モノリシックなボリュームの代わりに、オブジェクトのSDFは小さな高解像度のパッチに分割され、遅延コードのシーケンスにつながる。
論文 参考訳（メタデータ） (2024-11-08T09:13:20Z) - InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。
InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。
3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
論文 参考訳（メタデータ） (2024-03-29T17:29:58Z) - From Points to Multi-Object 3D Reconstruction [71.17445805257196]
単一のRGB画像から複数の3Dオブジェクトを検出し再構成する方法を提案する。
キーポイント検出器は、オブジェクトを中心点としてローカライズし、9-DoF境界ボックスや3D形状を含む全てのオブジェクト特性を直接予測する。
提示されたアプローチは、軽量な再構築を単一ステージで実行し、リアルタイム能力を持ち、完全に微分可能で、エンドツーエンドのトレーナーブルである。
論文 参考訳（メタデータ） (2020-12-21T18:52:21Z)
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。