Fugu-MT 論文翻訳(概要): Matisse: Evidence-Space Reasoning for Active 3D Reconstruction

論文の概要: Matisse: Evidence-Space Reasoning for Active 3D Reconstruction

arxiv url: http://arxiv.org/abs/2609.38746v1
Date: Wed, 30 Sep 2026 01:30:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-01 18:57:26.955714
Title: Matisse: Evidence-Space Reasoning for Active 3D Reconstruction
Title（参考訳）: Matisse:アクティブ3D再構成のためのエビデンス空間推論
Abstract要約: アクティブな再構築と選択を統一するトレーニングフリーフレームワークであるMatisseを紹介した。 Matisseは、3D潜在トークンに関連するクロスアテンション証拠から証拠不確かさを推定する。 Matisseはオブジェクトバランスアグリゲーションを通じて、複数オブジェクトのシーンをサポートする。
参考スコア（独自算出の注目度）: 20.4137112987052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: How can a 3D reconstruction system acquire and retain useful information to understand the geometry of a scene from partial views under a limited computation budget? Existing active view acquisition methods typically estimate uncertainty over observed or instantiated geometry, limiting their ability to reason about unseen structure, while long-horizon reconstruction methods often retain redundant observations. We introduce Matisse, a training-free framework that unifies active reconstruction and keyframe selection by leveraging evidence provided by a pretrained generative 3D model. Matisse estimates Evidential Uncertainty from cross-attention evidence associated with 3D latent tokens and derives an Evidential Information Gain to guide both view acquisition and keyframe selection based on the expected reduction in posterior entropy. Matisse supports multi-object scenes through occlusion-aware, object-balanced aggregation and propagates uncertainty through intermediate latents to avoid full reconstruction during planning. Matisse reduces Chamfer distance by 12.7%, 3.8%, and 9.2% on GSO30, YCB-V, and Replica, respectively, relative to the best baseline on each dataset, and achieves a $1.50\times$ end-to-end speedup over the best active reconstruction baseline on GSO30 with the same reconstruction backend. In the GSO30 keyframe selection experiment for long-horizon reconstruction, Matisse achieves comparable Chamfer distance using 14% of the input views compared with Stream3D.
Abstract（参考訳）: 限られた計算予算の下で、部分的な視点からシーンの幾何学を理解するために、どのように3D再構成システムが有用な情報を取得し、保持するか。既存のアクティブビュー取得手法は通常、観測されたまたはインスタンス化された幾何学上の不確実性を推定し、未知の構造を推論する能力を制限する。マティスス(Matisse)は、事前訓練された生成3Dモデルによって提供される証拠を活用することで、アクティブな再構築とキーフレーム選択を統一するトレーニングフリーフレームワークである。 Matisseは、3D潜在トークンに関連するクロスアテンションエビデンスからエビデンシャル不確実性を推定し、後部エントロピーの期待の低減に基づいて、ビュー取得とキーフレーム選択の両方をガイドするエビデンシャル情報ゲインを導出する。 Matisseは、Occlusion-aware、オブジェクトバランスの集約を通じて多目的シーンをサポートし、中間の潜伏者を通して不確実性を伝播し、計画中の完全な再構築を避ける。 Matisse は GSO30 と YCB-V と Replica でそれぞれ 12.7% と 3.8% と 9.2% のシャムファー距離を削減し、同じ再構築バックエンドを持つ GSO30 の最高のリコンストラクションベースラインよりも1.50\times$ end-to-end のスピードアップを達成した。長軸復元のためのGSO30キーフレーム選択実験において、Matisseはストリーム3Dと比較して入力ビューの14%を使って、同等のチャンファー距離を達成する。

関連論文リスト

Artic-O: End-to-End Articulated Object Reconstruction via Latent Geometry Learning [105.35529379360186]
Artic-Oは、音声によるオブジェクト再構成のためのエンドツーエンドのフィードフォワードフレームワークである。スパース多状態観測を事前訓練された潜在幾何学空間にマッピングする。凍結したフローマッチングデコーダは、可視構造と隠蔽構造の回復に先立って完全な形状を提供する。
論文参考訳（メタデータ） (2026-06-20T08:15:30Z)
Pano3D: Unified 3D Reconstruction and Panoptic Segmentation [68.18993232814061]
統合されたフレームワークで3次元再構成と3次元パノプティクスのセグメンテーションを行う手法を提案する。既存の3次元再構成モデルを構築し,それをマスクデコーダで拡張する。提案手法は,ScanNet,ScanNet200,ScanNet++データセット間の3次元パノプティクスセグメンテーションにおける最先端性能を実現する。
論文参考訳（メタデータ） (2026-06-12T09:43:13Z)
GraspFoM: Towards Reconstruction-Driven Robotic Grasping with 3D Foundation Priors [23.311035802788854]
GraspFoMは3Dオブジェクトを共有化して再構築し,ポーズ予測を把握できるフレームワークである。また,GraspFoMは再建と把握の両面で最先端の結果が得られた。
論文参考訳（メタデータ） (2026-06-07T03:37:55Z)
Can These Views Be One Scene? Evaluating Multiview 3D Consistency when 3D Foundation Models Hallucinate [8.440211083233528]
マルチビュー3D評価は、得られた画像が1つの静的な3Dシーンの観察であると仮定する。既存の参照ベースのメトリクスは、基礎的な真理を必要とするが、MEt3Rのような非真実なメトリクスは、学習された再構築バックボーンに依存している。整合性信号としてマッチ、登録、高密度サポート、再構成障害を用いるCOLMAPベースのメトリクスを導入する。
論文参考訳（メタデータ） (2026-05-18T17:59:58Z)
PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems [55.84012796735184]
近年,3次元再構築システムの入力ビューについて検討している。本稿では,対向的摂動を最適化し,対面不整合を意図的に導入するPoInit-of-Viewを提案する。実験により,多種多様な3次元再構成システムとデータセットに対するPoInit-of-Viewの有効性が示された。
論文参考訳（メタデータ） (2026-04-17T00:48:12Z)
Free Geometry: Refining 3D Reconstruction from Longer Versions of Itself [38.95274911975506]
Free Geometryは、フィードフォワードの3D再構成モデルが3D基底の真理なしにテスト時に自己進化することを可能にするフレームワークである。当社のアプローチは、4つのベンチマークデータセットにまたがって、Depth Anything 3やVGGTといった最先端の基礎モデルを継続的に改善しています。
論文参考訳（メタデータ） (2026-04-15T16:24:03Z)
Reliev3R: Relieving Feed-forward Reconstruction from Multi-View Geometric Annotations [98.66466590444553]
コスト制約のない多視点幾何アノテーションを使わずにFFRMをスクラッチからトレーニングするための弱教師付きパラダイムであるReliev3Rを提案する。 Reliev3Rのコアでは、多視点幾何整合性の監視を容易にするために、曖昧さを意識した相対深度損失と三角法に基づく再射損失を設計する。
論文参考訳（メタデータ） (2026-04-01T06:46:54Z)
Affostruction: 3D Affordance Grounding with Generative Reconstruction [50.586896835836164]
Affostructionは、部分的な観察から完全な幾何学を再構築する生成フレームワークであり、その全形状に余裕がある。空き地での19.1 aIoUと3次元再構築のための32.67 IoUを達成し、完全な形状の正確な空き地予測を可能にする。
論文参考訳（メタデータ） (2026-01-14T06:33:12Z)
AREA3D: Active Reconstruction Agent with Unified Feed-Forward 3D Perception and Vision-Language Guidance [36.125573065910594]
アクティブな3D再構成により、エージェントは視点を自律的に選択し、正確で完全なシーン形状を得ることができる。本研究では,フィードフォワード3次元再構成モデルと視覚言語指導を利用したアクティブリコンストラクションエージェントAREA3Dを提案する。本フレームワークは、フィードフォワード再構成器からビュー不確実性モデリングを分離し、高価なオンライン最適化を伴わずに正確な不確実性推定を可能にする。
論文参考訳（メタデータ） (2025-11-28T06:17:02Z)
Semi-Supervised Single-View 3D Reconstruction via Prototype Shape Priors [79.80916315953374]
本研究では,3次元再構成のための半教師付きフレームワークであるSSP3Dを提案する。本稿では,現実的なオブジェクト再構成を導くために,注意誘導型プロトタイプ形状先行モジュールを提案する。実世界のPix3Dデータセットに10%のラベリング比で転送する場合も,本手法は良好に機能する。
論文参考訳（メタデータ） (2022-09-30T11:19:25Z)

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。