論文の概要: Revisiting Multi-View Stereo: A Sequence-to-Sequence Formulation

• arxiv url: http://arxiv.org/abs/2609.24850v1
• Date: Mon, 21 Sep 2026 16:28:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.412352
• Title: Revisiting Multi-View Stereo: A Sequence-to-Sequence Formulation
• Title（参考訳）: マルチビューステレオの再検討:シーケンス・ツー・シーケンスの定式化
• Abstract要約: マルチビューステレオ(MVS)問題を既知のカメラパラメータを用いて検討する。 本稿では,従来のMVS法とFF法を橋渡しする新しい手法を提案する。 提案手法は, MVS と FF の両リコンストラクションベースラインを越えながら,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 34.882476303820994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computing accurate geometry from multi-view images is a fundamental problem in computer vision. Recent feed-forward (FF) models jointly estimate 3D geometry and camera parameters, but they typically suffer from geometry distortion caused by reconstruction ambiguity, even when ground-truth camera parameters are supplied. In this paper, we study the multi-view stereo (MVS) problem with known camera parameters and propose a novel approach that bridges conventional MVS and FF methods. Rather than casting MVS as a sequence-to-one mapping that predicts depth only for a single reference view, we reformulate it as a sequence-to-sequence task, akin to FF models, that jointly predicts geometry for all input views. We introduce a global transformer-based architecture with two components that explicitly exploit camera-induced priors: ray-map embeddings that inject camera parameters into image patch tokens, making the transformer camera-aware, and a unified global cost volume that replaces conventional per-view cost volumes to jointly capture 3D structure across all views. Extensive experiments on multiple public benchmarks show our approach achieves state-of-the-art performance, surpassing both MVS and FF reconstruction baselines.
• Abstract（参考訳）: 多視点画像からの正確な幾何学の計算は、コンピュータビジョンの基本的な問題である。 近年のフィードフォワード (FF) モデルは3次元形状とカメラパラメータを共同で推定するが, 地中カメラパラメータが供給された場合でも, 復元のあいまいさに起因する幾何学的歪みに悩まされるのが一般的である。 本稿では,既存のカメラパラメータを用いたマルチビューステレオ(MVS)問題について検討し,従来のMVSおよびFF手法を橋渡しする新しいアプローチを提案する。 単一の参照ビューに対してのみ深度を予測するシーケンス・ツー・ワン・マッピングとしてMVSをキャストするのではなく、全ての入力ビューの幾何学を共同で予測するFFモデルに似たシーケンス・ツー・シーケンスタスクとして再構成する。 画像パッチトークンにカメラパラメータを注入するレイマップ埋め込み、トランスフォーマーカメラを認識させるグローバルトランスフォーマーベースのアーキテクチャと、従来のビュー単位のコストボリュームを置き換える統一されたグローバルコストボリュームと、すべてのビューをまたいだ3D構造を共同でキャプチャする。 複数の公開ベンチマークにおいて,本手法はMVSおよびFF再建ベースラインを超越し,最先端の性能を達成することを示す。

関連論文リスト

• OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
  OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。 射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。 代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
  論文  参考訳（メタデータ） (2026-09-08T19:45:58Z)
• FlexSplat: Flexible Feed-Forward 3D Gaussian Splatting without Point Cloud Correspondence [9.30167648098673]
  我々は、新しいビュー合成(NVS)のためのフィードフォワードフレームワークであるFlexSplatを紹介した。 幾何学変換器はガウスデコーダと共同で訓練され、画像当たりのカメラパラメータと深さを予測する。 ShapeNet-SRN と Google Scanned Objects (GSO) では、FlexSplat のマッチングやアプローチが最先端のコンストラクタとして提案されている。
  論文  参考訳（メタデータ） (2026-08-08T05:52:26Z)
• CalibAnyView: Beyond Single-View Camera Calibration in the Wild [59.66873936532375]
  カメラキャリブレーションは、信頼性の高い幾何学的知覚の基本的な前提条件である。 近年の学習に基づく手法では、単一ビューの校正には有望な結果が得られたが、本質的に複数のビューにまたがる幾何的整合性は無視されている。 任意の数の入力ビューをサポートする統一的な定式化であるCalibAnyViewを紹介します。
  論文  参考訳（メタデータ） (2026-05-14T09:32:12Z)
• WorldMirror: Universal 3D World Reconstruction with Any-Prior Prompting [51.69408870574092]
  汎用的な3次元幾何予測タスクのためのオールインワンフィードフォワードモデルであるWorldMirrorを提案する。 我々のフレームワークは、カメラのポーズ、内在性、深度マップなど、様々な幾何学的先入観を柔軟に統合する。 WorldMirrorは、カメラ、ポイントマップ、深さ、表面正規推定から新しいビュー合成に至るまで、さまざまな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） (2025-10-12T17:59:09Z)
• MapAnything: Universal Feed-Forward Metric 3D Reconstruction [63.79151976126576]
  MapAnythingは1つ以上の画像を取り込み、カメラの内在性、ポーズ、深さ、部分的な再構築など、任意の幾何学的入力を行う。 そして、メーター3Dシーンの幾何学とカメラを直接補強する。 MapAnythingは、単一のフィードフォワードパスで幅広い3Dビジョンタスクに対処する。
  論文  参考訳（メタデータ） (2025-09-16T18:00:14Z)
• DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion [53.70278210626701]
  マルチビュー画像から3次元シーン形状とカメラポーズを直接推定するデータ駆動型マルチビュー推論手法を提案する。 我々のフレームワークであるDiffusionSfMは、シーン幾何学とカメラを、グローバルフレーム内のピクセルワイズ線源とエンドポイントとしてパラメータ化します。 我々は、DiffusionSfMを合成データセットと実データセットの両方で実証的に検証し、古典的および学習ベースのアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-08T17:59:47Z)
• DUSt3R: Geometric 3D Vision Made Easy [8.471330244002564]
  Dense and Unconstrained Stereo 3D Reconstruction of arbitrary image collections。 本定式化は単眼および両眼の再建症例を円滑に統一することを示す。 私たちの定式化はシーンの3Dモデルと深度情報を直接提供しますが、興味深いことに、シームレスに回復できます。
  論文  参考訳（メタデータ） (2023-12-21T18:52:14Z)

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。