論文の概要: Think Locally, Refine Globally for Memory-Efficient 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2609.21437v1
• Date: Fri, 18 Sep 2026 07:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.901749
• Title: Think Locally, Refine Globally for Memory-Efficient 3D Reconstruction
• Title（参考訳）: 記憶効率の良い3D再構成のための局所的, グローバル的再定義
• Abstract要約: 本稿では,局所時間モデルとグローバルカメラの一貫性のバランスをとる長周期3次元再構成のためのメモリ効率の枠組みを提案する。 LoG-VGGTは、複数のロングシーケンスベンチマークで改善された深度精度とロバストなカメラポーズ推定を実現する。
• 参考スコア（独自算出の注目度）: 5.820238873645945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose LoG-VGGT, a memory-efficient framework for long-sequence 3D reconstruction that balances local temporal modeling with global camera consistency. Instead of relying on full global attention, our method introduces cross-window attention at a small subset of transformer blocks, enabling effective information propagation across adjacent temporal windows while keeping memory usage bounded. To mitigate long-term pose drift, we further design a global camera consistency refinement module, where camera tokens interact with compact register tokens via cross-attention to enforce scene-level constraints across the entire sequence. This design enables joint optimization of camera representations and significantly improves long-horizon pose stability without incurring the high cost of sequence-wide attention. Extensive experiments demonstrate that LoG-VGGT achieves improved depth accuracy and robust camera pose estimation across multiple long-sequence benchmarks, while delivering competitive streaming reconstruction performance.
• Abstract（参考訳）: 局所時間モデルとグローバルカメラの整合性のバランスをとる長周期3次元再構成のためのメモリ効率のよいフレームワークであるLoG-VGGTを提案する。 提案手法は,グローバルな注目に頼らずに,変圧器ブロックの小さな部分集合にクロスウインドウ・アテンションを導入し,メモリ使用率を一定に保ちながら,隣接する時間窓を横断する効果的な情報伝達を可能にする。 長期のポーズドリフトを緩和するため,カメラトークンがクロスアテンションを介してコンパクトなレジスタトークンと相互作用し,シーンレベルの制約を全シーケンスにわたって実施する,グローバルなカメラ整合性改善モジュールを設計する。 この設計により、カメラ表現のジョイント最適化が可能となり、シーケンスワイドの高コストを伴わずに、長軸ポーズの安定性が大幅に向上する。 大規模な実験により、LoG-VGGTは、複数のロングシーケンスベンチマークにまたがって、精度の向上とロバストなカメラポーズ推定を実現し、競争力のあるストリーミング再構成性能を実現している。

関連論文リスト

• FFVO: A Feedforward Pose Decoder for Long-Horizon Visual Odometry [31.83986431141471]
  本稿では,効率的かつ時間的に安定なカメラ位置推定のための共同再構成アーキテクチャのポーズ特化適応であるFeedforward Visual Odometry (FFVO)を提案する。 FFVOは、(i) 時間的アグリゲーションを計算的に効率的に行うためのコンパクトなカメラトーケン表現、(ii) 階層的局所-言語的時間的デコーダ、(iii) 時間的安定性を促進する中間軌道監督を使用する。
  論文  参考訳（メタデータ） (2026-09-12T05:56:52Z)
• Mamba-VGGT: Persistent Long-Sequence Video Geometry Grounded Transformer via External Sliding Window Mamba Memory [37.05996890779604]
  本稿では,長期的推論が可能な拡張VGGTフレームワークであるMamba-VGGTを提案する。 我々の研究は、広範囲な3次元環境における幾何学的世界モデリングのためのスケーラブルで線形複雑性のあるソリューションを提供する。
  論文  参考訳（メタデータ） (2026-05-17T14:34:13Z)
• DAGE: Dual-Stream Architecture for Efficient and Fine-Grained Geometry Estimation [72.89376712495464]
  DAGEは、グローバルコヒーレンスを細部から切り離すデュアルストリームトランスフォーマーである。 低解像度ストリームは、フレーム/言語的注意を交互に交互に付加したアグレッシブなダウンサンプリングフレームで動作し、ビュー一貫性表現を構築する。 高解像度のストリームは、フレーム毎に元のイメージを処理し、シャープな境界と小さな構造を保存する。 この設計は、解像度とクリップ長を独立にスケールし、2Kまでの入力をサポートし、実用的な推論コストを維持する。
  論文  参考訳（メタデータ） (2026-03-04T05:29:29Z)
• LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory [97.14005794889134]
  提案するLoGeRは,高密度な3次元再構成を,後最適化なしで極めて長いシーケンスに拡張する新しいアーキテクチャである。 LoGeRはビデオストリームをチャンクで処理し、高忠実度なチャンク内推論に強力な双方向の事前処理を活用する。 このメモリアーキテクチャにより、LoGeRは128フレームのシーケンスでトレーニングでき、推論中に数千フレームまで一般化できる。
  論文  参考訳（メタデータ） (2026-03-03T18:55:37Z)
• UCM: Unifying Camera Control and Memory with Time-aware Positional Encoding Warping for World Models [54.564740558030245]
  UCMは、長期記憶と正確なカメラ制御をタイムアウェアな位置符号化変換機構を介して統合する新しいフレームワークである。 我々はまた、ポイントクラウドベースのレンダリングを利用したスケーラブルなデータキュレーション戦略を導入し、シーンの再考をシミュレートする。
  論文  参考訳（メタデータ） (2026-02-26T12:54:46Z)
• RELIC: Interactive Video World Model with Long-Horizon Memory [74.81433479334821]
  真のインタラクティブな世界モデルは、リアルタイムの長距離ストリーミング、一貫した空間記憶、正確なユーザ制御を必要とする。 この3つの課題を完全に解決する統合フレームワークであるRELICを紹介します。 単一の画像とテキスト記述が与えられた後、RELICは任意のシーンをリアルタイムにメモリを意識した長期探索を可能にする。
  論文  参考訳（メタデータ） (2025-12-03T18:29:20Z)
• Towards Robust and Generalizable Continuous Space-Time Video Super-Resolution with Events [71.2439653098351]
  連続時空ビデオスーパーSTVSRは、高解像度で高フレームのビデオを任意の時間スケールで再構成する能力への関心が高まっている。 EvEnhancerは、イベントストリームにカプセル化された高時間および高ダイナミックレンジのユニークな特性を結合する新しいアプローチである。 提案手法は,OODスケールでの一般化性を維持しつつ,合成および実世界の両方のデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-04T15:23:07Z)
• Asynchronous Optimisation for Event-based Visual Odometry [53.59879499700895]
  イベントカメラは、低レイテンシと高ダイナミックレンジのために、ロボット知覚の新しい可能性を開く。 イベントベースビジュアル・オドメトリー(VO)に焦点をあてる 動作最適化のバックエンドとして非同期構造を提案する。
  論文  参考訳（メタデータ） (2022-03-02T11:28:47Z)

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。