論文の概要: OTT3R: Multi-View 3D Reconstruction and Fast Dataset Generation at 1% Compute

• arxiv url: http://arxiv.org/abs/2609.36374v1
• Date: Mon, 28 Sep 2026 23:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.051307
• Title: OTT3R: Multi-View 3D Reconstruction and Fast Dataset Generation at 1% Compute
• Title（参考訳）: OTT3R: 1%の計算でマルチビュー3D再構成と高速データセット生成
• Abstract要約: OTT3R(RGB-Only Tiny Transformer for 3D Reconstruction)は、3D再構築のための知識蒸留フレームワークである。 擬似ラベルパイプラインは、COLMAPに代わる信頼性の高い高スループットを提供する。 デプロイ可能なアーティファクトはドメイン特化された学生であり、0.2%の計算の専門化の後、7シーンのCOLMAPよりも4$times$正確である。
• 参考スコア（独自算出の注目度）: 2.676349883103404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward 3D reconstruction models have achieved impressive performance by scaling model and dataset size, but their cost excludes most research groups and precludes edge deployment. Additionally, generating 3D supervision without sensors still relies on slow, unreliable Structure-from-Motion, as the community lacks a COLMAP-like system for neural 3D pseudo-label generation. We present OTT3R (RGB-Only Tiny Transformer for 3D Reconstruction), a knowledge distillation framework that addresses both problems on a single workstation equipped with 2 GPUs. Distilling $π^3$ (959M parameters) into a 102M-parameter student yields 9.4$\times$ compression and up to 7$\times$ faster inference, trained at 1.6% of VGGT's training compute. An integrated pseudo-label pipeline offers a reliable, high-throughput alternative to COLMAP, generating dense per-pixel point maps and SE(3) camera poses for a 667K-image corpus in 3.5 hours on two commodity GPUs and succeeding on every sequence we tested, including those where COLMAP fails. The general student tracks the teacher on in-distribution monocular depth and, zero-shot, outperforms COLMAP on 7-Scenes and on DTU completion, but it does not replace the teacher on out-of-distribution multi-view geometry. The deployable artifact is the domain-specialized student: after specialization at 0.2% compute, it is 4$\times$ more accurate than COLMAP on 7-Scenes at 980$\times$ throughput, with near-teacher completion. Code is available at https://github.com/TheFourthKaramazov/OTT3R
• Abstract（参考訳）: フィードフォワード3D再構成モデルは、スケーリングモデルとデータセットサイズによって素晴らしいパフォーマンスを達成したが、そのコストは、ほとんどの研究グループを除外し、エッジデプロイメントを妨げている。 さらに、センサーを使わずに3D監視を生成することは、コミュニティが神経的な3D擬似ラベル生成のためのCOLMAPのようなシステムを欠いているため、依然として遅くて信頼性の低いStructure-from-Motionに依存している。 OTT3R(RGB-Only Tiny Transformer for 3D Reconstruction)は,2つのGPUを備えた単一のワークステーション上で,両方の問題に対処する知識蒸留フレームワークである。 102Mパラメーターの学生に$π^3$ (959Mパラメータ)を蒸留すると、9.4$\times$圧縮が得られ、7$\times$高速推論がVGGTのトレーニング計算の1.6%で訓練される。 2つのコモディティGPU上で3.5時間で667Kイメージのコーパスを撮り、COLMAPがフェールした場合を含む全てのシーケンスを成功させる。 一般学生は,教師が配布されていない単眼深度,ゼロショットで7シーンでCOLMAPを上回り,DTUが完成するのを追跡するが,配布外多視点幾何学の教師に取って代わるものではない。 0.2%の特殊化の後、COLMAPの980$\times$スループットよりも4$\times$正確で、ほぼTeacher完全である。 コードはhttps://github.com/TheFourthKaramazov/OTT3Rで公開されている。

関連論文リスト

• Generative Late-Interaction Embeddings For Visual Document Retrieval [3.3830567744123723]
  遅延インタラクション検索は、ビジュアルドキュメント検索の最先端技術だが、ストレージの精度は高い。 GLIE (Generative Late-Interaction Embeddings: k N vectors per page) を紹介する。 ViDoRe v1のページあたりの4つのベクトルでは、GLIEは圧縮されていないシステムのnDCG@5の80%を保持しており、最も優れたポストホック法では70%である。
  論文  参考訳（メタデータ） (2026-09-10T16:58:39Z)
• Reducing Data Movement in the Galerkin Product of Block Algebraic Multigrid on GPUs [0.0]
  3Dの弾力性のために、ファインオペレーターは3倍の3倍の3倍の3倍の3倍の3倍の3倍の6倍の6倍の6倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の3倍の幅を持つ。 共有メモリ型カーネルを検索不要なソートスケジュールで提供し、ポータブルなKokkosチームカーネルの半数以下でバイト数を減らした。
  論文  参考訳（メタデータ） (2026-07-30T23:17:29Z)
• Distill3R: A Pipeline for Democratizing 3D Foundation Models on Commodity Hardware [2.676349883103404]
  Distill3Rは、3D基礎モデルの幾何学的推論を1台のワークステーションで完全に訓練可能なコンパクトな学生に蒸留するために設計されたフレームワークである。 提案手法は,(1)教師の重度推論を訓練ループから圧縮した監視信号で分離するオフラインキャッシュパイプライン,(2)教師の不確実性を活用して,コモディティハードウェア上でのトレーニングを可能にする信頼度の高い蒸留損失の2つの主要なイノベーションに焦点を当てた。
  論文  参考訳（メタデータ） (2026-01-31T18:56:45Z)
• Test3R: Learning to Reconstruct 3D at Test Time [58.0912500917036]
  Test3Rは驚くほどシンプルなテストタイム学習技術で、幾何学的精度を大幅に向上させる。 本手法は従来の3次元再構成法や多視点深度推定法よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-16T17:56:22Z)
• 3DGS$^2$: Near Second-order Converging 3D Gaussian Splatting [26.94968605302451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と3D再構成の主流のソリューションとして登場した。 本稿では,3DGSの2次収束学習アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2025-01-22T22:28:11Z)
• Diffusion Time-step Curriculum for One Image to 3D Generation [91.07638345953016]
  テキストバッフル画像から3Dオブジェクトを再構成する際の見知らぬ視点の欠如を克服するために,スコア蒸留サンプリング(SDS)が広く採用されている。 最適化中の拡散時間ステップの無差別な処理方法として,クルックスが見過ごされていることが判明した。 本稿では,教師モデルと学生モデルの両方が,時間段階のカリキュラムと密接な連携を図ったDiffusion Time-step Curriculum One-image-to-3D Pipeline (DTC123)を提案する。
  論文  参考訳（メタデータ） (2024-04-06T09:03:18Z)
• Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
  Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。 テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。 いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
  論文  参考訳（メタデータ） (2023-12-20T16:14:58Z)
• EpiGRAF: Rethinking training of 3D GANs [60.38818140637367]
  本稿では,SotA画像品質の高い高解像度3Dジェネレータを,パッチワイズを単純に訓練するまったく異なる経路を辿ることによって実現可能であることを示す。 EpiGRAFと呼ばれる結果のモデルは、効率的で高解像度で純粋な3Dジェネレータである。
  論文  参考訳（メタデータ） (2022-06-21T17:08:23Z)

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。