論文の概要: G3AR: Graph-Guided Neural Visual Geometry for Scalable Multi-Sequence Aerial Registration

• arxiv url: http://arxiv.org/abs/2609.16603v2
• Date: Thu, 17 Sep 2026 02:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.430878
• Title: G3AR: Graph-Guided Neural Visual Geometry for Scalable Multi-Sequence Aerial Registration
• Title（参考訳）: G3AR: スケーラブルなマルチシーケンス空中登録のためのグラフガイド型ニューラルビジュアルジオメトリ
• Abstract要約: 航空登録のためのグラフガイド型ビジュアルジオメトリ(G3AR)を提案する。 G3ARは、スケーラブルな高密度ニューラルネットワークのためのグラフ誘導フレームワークである。 一致したVGGTとPi3による比較では、ポーズエラーとランタイムが改善されている。
• 参考スコア（独自算出の注目度）: 24.18553794907372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Full-context neural visual geometry is impractical for thousands of images, while sequence-based chunking poorly captures irregular non-local overlap in multi-sequence aerial collections. We present Graph-Guided Neural Visual Geometry for Aerial Registration (G3AR), a graph-guided framework for scalable dense neural geometry. Before local inference, G3AR builds a geometrically verified image-proximity graph that guides bounded overlapping chunks and induces a chunk graph whose maximum spanning tree defines alignment topology. Compatible backbones process chunks independently; shared-image predictions then estimate three-dimensional similarity (Sim(3)) transforms that register local cameras and geometry in a common frame. Across four real aerial scenes, G3AR improves pose error and runtime in matched VGGT- and Pi3-backed comparisons, while its DA3 variant achieves the lowest pose error among evaluated neural-geometry methods.
• Abstract（参考訳）: フルコンテキスト・ニューラル・ビジュアル・ジオメトリは何千もの画像に対して実用的ではないが、シーケンスベースのチャンキングは、複数シーケンスの空中収集において不規則な非局所的な重複を捉える。 本稿では,G3AR(Graph-Guided Neural Visual Geometry for Aerial Registration)を提案する。 局所的な推論の前に、G3ARは幾何学的に検証された画像確率グラフを構築し、有界な重なり合うチャンクを案内し、最大スパンニングツリーがアライメントトポロジーを定義するチャンクグラフを誘導する。 コンパチブルなバックボーンプロセスは独立にチャンクし、共有イメージ予測は、ローカルカメラと幾何学を共通のフレームに登録する3次元類似度(Sim(3))を推定する。 4つの実際の空中シーンにおいて、G3ARは一致するVGGTとPi3による比較において、ポーズエラーと実行時間を改善する一方、DA3の変種は評価されたニューラルジオメトリ手法の中で最も低いポーズエラーを達成する。

関連論文リスト

• TopoGS: Planar Reconstruction via Topology-aware 3D Gaussian Splatting [15.690820181002517]
  TopoGSは,コヒーレントな3次元再構成のための平面的制約と位相的制約を明示的に統合する最初の3DGSフレームワークである。 具体的には、多視点画像セグメンテーションからグローバルな2次元トポロジカルな関係を抽出し、ガウス原始体をこれらの構造要素に固定する。 これらのトポロジ的制約とともに厳密な多視点整合性を持たせることにより、幾何学的ミスアライメントを著しく軽減し、連結された3次元モデルを生成する。
  論文  参考訳（メタデータ） (2026-07-18T14:27:49Z)
• GeoGS-SLAM: Geometry-Only Gaussian Splatting for Dense Monocular SLAM [6.344587694040345]
  既存の3DGSフレームワークは外観モデリングと幾何学モデリングの両方に焦点を当てている。 本研究では,シーン形状を直接再構成するGeoGS(Geometry-only Gaussian Splatting)を提案する。 GeoGSは、プリミティブ単位のパラメータ数を80%以上削減するために、空間パラメータのみを保持する。
  論文  参考訳（メタデータ） (2026-07-08T14:22:05Z)
• IVGT: Implicit Visual Geometry Transformer for Neural Scene Representation [76.36174247570716]
  ポーズレス多視点画像から連続的かつ一貫性のある幾何を暗黙的にモデル化するインプリシトビジュアル幾何変換器IVGTを提案する。 IVGTは標準座標系で連続的なニューラルネットワークシーン表現を学習し、任意の3D位置での連続的な空間クエリをサポートする。 連続的かつコヒーレントな表面形状の直接抽出を可能にし、任意の視点からRGB画像、深度マップ、表面正規写像のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2026-05-15T17:59:57Z)
• UniQueR: Unified Query-based Feedforward 3D Reconstruction [68.01984215138098]
  提案するUniQueRは,未提示画像からの3次元再構成を効率よく正確に行うための,クエリベースの統合フィードフォワードフレームワークである。 我々のモデルは、明示的な幾何学的クエリとして機能する3Dアンカー点のコンパクトな集合を学習する。 Mip-NeRF 360とVR-NeRFの実験により、UniQueRはレンダリング品質と幾何学的精度の両方において最先端のフィードフォワード法を上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-24T06:42:02Z)
• 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)
• GraphGSOcc: Semantic-Geometric Graph Transformer with Dynamic-Static Decoupling for 3D Gaussian Splatting-based Occupancy Prediction [2.3239379129613535]
  GraphGSOccは、意味グラフと幾何学グラフを組み合わせ、動的静的オブジェクトを分離する新しいフレームワークである。 SurroundOcc-nuScenes、Occ3D-nuScenes、OpenOcc、KITTIの占有ベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-06-13T06:09:57Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
  最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。 この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。 本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T15:09:03Z)
• Joint Deep Multi-Graph Matching and 3D Geometry Learning from Inhomogeneous 2D Image Collections [57.60094385551773]
  非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。 さらに,2次元画像で表現された物体の3次元形状も取得する。
  論文  参考訳（メタデータ） (2021-03-31T17:25:36Z)
• Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs [0.8722210937404288]
  距離幾何学グラフ表現に基づくメッセージパッシンググラフ畳み込みネットワークを提案する。 距離からフィルタ重みの学習を可能にし、3次元グラフの幾何学をグラフ畳み込みに組み込む。 本研究は3次元グラフ,特に分子グラフ上でのエンドツーエンドディープラーニングにおけるDG-GCNの有用性と価値を示す。
  論文  参考訳（メタデータ） (2020-07-06T15:20:52Z)

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。