論文の概要: MAETrack: Unleashing the Potential of Pretrained Geometric Priors for 3D Single Object Tracking

• arxiv url: http://arxiv.org/abs/2609.16695v1
• Date: Tue, 15 Sep 2026 06:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.373004
• Title: MAETrack: Unleashing the Potential of Pretrained Geometric Priors for 3D Single Object Tracking
• Title（参考訳）: MAETrack:3Dシングルオブジェクト追跡のための事前トレーニングされた幾何学的優先順位の可能性
• Abstract要約: 大規模事前学習は2次元視覚における表現学習に変化をもたらしたが、3次元物体追跡(SOT)への伝達性はまだ十分に理解されていない。 事前学習したMAE表現を3D SOTに転送するための軽量適応フレームワークであるMAETrackを提案する。
• 参考スコア（独自算出の注目度）: 37.383672908246965
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large-scale pre-training has transformed representation learning in 2D vision, yet its transferability to 3D single object tracking (SOT) remains insufficiently understood. Directly fine-tuning self-supervised 3D encoders, such as masked autoencoders (MAE), often leads to sub-optimal adaptation because the reconstruction objective is not fully aligned with the spatial-temporal matching requirements of tracking. In this paper, we observe that this difficulty can be interpreted as a layer-wise transfer mismatch: shallow layers tend to preserve transferable geometric cues, while deeper layers become increasingly specialized to the reconstruction pretext task and are less suitable for downstream tracking. Based on this observation, we propose MAETrack, a lightweight adaptation framework for transferring pre-training MAE representations to 3D SOT. MAETrack includes Layer-Selective Initialization (LSI), which initializes only the shallow stages of the tracking backbone from pre-trained weights while re-initializing deeper stages, and Geometric Residual Gating (GRG), which reinforces structurally salient regions in the search BEV features before template-search fusion through residual spatial modulation. Extensive experiments on standard 3D SOT benchmarks show that MAETrack consistently improves upon vanilla fine-tuning baselines with limited computational overhead. More broadly, our results suggest that effective transfer from 3D reconstruction pre-training to 3D tracking is not merely a matter of partial fine-tuning, but depends on a tracking-oriented transfer principle that preserves shallow geometry while adapting deeper representations to the downstream objective.
• Abstract（参考訳）: 大規模事前学習は2次元視覚における表現学習に変化をもたらしたが、3次元物体追跡(SOT)への伝達性はまだ十分に理解されていない。 マスク付きオートエンコーダ (MAE) など, 直接調整された自己監督型3Dエンコーダは, 追従の空間的・時間的整合性の要件に完全に一致しないため, しばしば準最適適応をもたらす。 本稿では,この難易度を層間移動ミスマッチ(層間移動ミスマッチ)と解釈する:浅層は転送可能な幾何学的手がかりを保存しがちであるが,より深い層は再構築前テキストタスクに特化し,下流追跡には適さない。 本報告では,3次元SOTに事前学習したMAE表現を転送するための軽量適応フレームワークであるMAETrackを提案する。 MAETrackには、事前訓練された重量から追跡バックボーンの浅い段階のみを初期化するLayer-Selective Initialization (LSI)と、空間変調によるテンプレート検索前の探索BEV特徴における構造的に健全な領域を補強するGeometric Residual Gating (GRG)が含まれる。 標準的な3D SOTベンチマークでの大規模な実験により、MAETrackは計算オーバーヘッドが制限されたバニラ微調整ベースラインを一貫して改善することが示された。 より広範に検討した結果,3次元再構築前トレーニングから3次元追跡への効果的な移動は部分的な微調整の問題ではなく,下流の目的に深い表現を適応しながら浅い幾何学を保ちながら追跡指向の移動原理に依存することが示唆された。

関連論文リスト

• Lift3D-VLA: Lifting VLA Models to 3D Geometry and Dynamics-Aware Manipulation [76.16065370700488]
  We introduced Lift3D-VLA, a unified VLA framework that equips models with explicit 3D point cloud reasoning and possible temporally coherent action generation。 我々は,Lift3D-VLAがMetaWorldとRLBenchの平均成功率を10.8%,11.1%向上したことを示す。
  論文  参考訳（メタデータ） (2026-07-07T17:59:47Z)
• GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models [70.61152292499737]
  このギャップは、幾何学的事前の不足から生じるものではなく、訓練パラダイムの誤った調整から生じるものである、と我々は主張する。 既存のアプローチでは、通常、特徴の結合を示唆し、幾何学的な監督なしに下流のタスクを直接最適化する。 本稿では,下流適応前の構造知覚を明示的に活性化する幾何学的事前学習パラダイムであるGAP-MLLMを提案する。
  論文  参考訳（メタデータ） (2026-03-17T12:43:48Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• TrackAny3D: Transferring Pretrained 3D Models for Category-unified 3D Point Cloud Tracking [25.788917457593673]
  TrackAny3Dは、カテゴリーに依存しない3D SOTのために、大規模な事前訓練された3Dモデルを転送する最初のフレームワークである。 MoGEアーキテクチャは、異なる幾何学的特徴に基づいて、特殊3ワークスを適応的に活性化する。 実験の結果,TrackAny3Dはカテゴリに依存しない3D SOT上での最先端性能を確立した。
  論文  参考訳（メタデータ） (2025-07-26T10:41:55Z)
• T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
  映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。 我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
  論文  参考訳（メタデータ） (2024-11-29T07:45:24Z)
• S.T.A.R.-Track: Latent Motion Models for End-to-End 3D Object Tracking with Adaptive Spatio-Temporal Appearance Representations [10.46571824050325]
  トラッキング・バイ・アテンションのパラダイムに従って,3次元トラッキングのためのオブジェクト中心のトランスフォーマーベースのフレームワークを提案する。 そこで我々はS.T.A.R.-Trackを提案する。これは新しい潜伏運動モデル(LMM)を用いてオブジェクトクエリを調整し、潜伏空間における視方向や照明条件の変化を考慮に入れている。
  論文  参考訳（メタデータ） (2023-06-30T12:22:41Z)
• Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
  この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。 本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。 本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T13:14:24Z)
• Learning monocular 3D reconstruction of articulated categories from motion [39.811816510186475]
  ビデオの自己スーパービジョンは、動きに基づくサイクルロスによる連続した3次元再構成の一貫性を強要する。 少数の局所的学習可能なハンドルの変位を介して3D表面を制御する3Dテンプレート変形の解釈可能なモデルを紹介します。 多様な形状, 視点, テクスチャを具体化して, 複数の対象カテゴリーのテクスチャを再現する。
  論文  参考訳（メタデータ） (2021-03-30T13:50:27Z)

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。