論文の概要: VASC: Value-Aware Sparse Attention with Cross-Layer Memory for Efficient 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2610.01013v1
• Date: Thu, 01 Oct 2026 03:57:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.886296
• Title: VASC: Value-Aware Sparse Attention with Cross-Layer Memory for Efficient 3D Reconstruction
• Title（参考訳）: VASCによる高能率3次元再構成のためのクロスレイヤメモリを用いた値認識スパース注意
• Abstract要約: VASCは、値認識ブロック選択と実行認識層間メモリを組み合わせた、トレーニング不要なスパースアテンション手法である。 我々の値認識ブロック選択は、プールされたクエリ関連性と隣接する値のコントラストを統合し、クエリ関連とユニークなコンテンツを保存しながら冗長性を低減します。 クロスレイヤメモリは、レイヤ間で保存されていない要求を追跡し、実際の実行に従ってこの状態を更新する。
• 参考スコア（独自算出の注目度）: 20.354359727588786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward 3D vision models such as VGGT have achieved remarkable progress, unifying camera estimation and dense scene reconstruction in a single pass. However, their quadratic global attention makes long image sequences expensive, while existing sparse methods may favor highly attended yet value-redundant regions. To address these limitations, we introduce VASC, a training-free sparse attention method combining value-aware block selection and execution-aware cross-layer memory. Our value-aware block selection integrates pooled query--key relevance with neighboring value contrast, reducing redundancy while preserving query-relevant and distinctive content. Cross-layer memory tracks unserved demand across layers and updates this state according to actual execution, enabling previously underserved blocks to compete under a fixed computation budget. Experiments on 7Scenes and NeuralRGB-D with VGGT and $π^3$ demonstrate improved pose estimation and reconstruction quality compared with FasterVGGT, together with up to $2.29\times$ faster inference than dense VGGT. Code is available at https://github.com/kosakayamahoo-design/VASC.
• Abstract（参考訳）: VGGTのようなフィードフォワード3次元視覚モデルは、カメラ推定と1回のパスで密集したシーン再構成を統一し、目覚ましい進歩を遂げた。 しかし、その二次的グローバルな注目は、長い画像シーケンスを高価にし、既存のスパース手法は、高精細で価値に富んだ領域を好んでいる。 これらの制約に対処するため、VASCは、値認識ブロック選択と実行認識層間メモリを組み合わせた訓練不要なスパースアテンション手法である。 我々の値認識ブロック選択は、プールされたクエリ関連性と隣接する値のコントラストを統合し、クエリ関連とユニークなコンテンツを保存しながら冗長性を低減します。 クロスレイヤメモリは、レイヤ間で保存されていない要求を追跡し、実際の実行に従ってこの状態を更新する。 7ScenesとNeuralRGB-DのVGGTおよびπ^3$による実験では、高密度のVGGTよりも2.29\times$の高速な推論とともに、FasterVGGTと比較してポーズ推定と再構成品質が改善された。 コードはhttps://github.com/kosakayamahoo-design/VASC.comで入手できる。

関連論文リスト

• Does the VGGT Family Need All Its Layers? [55.81487806596663]
  VGGT,3ドル,VGGT-$:3,018プルーニング構成における層冗長性について検討した。 取り外し可能な層が2つの冗長領域に集結しているのに対して、層間をまたがる削除は、常に破壊的である。 CKAは、間隔分解のためのより安価な表現ベースのプロキシを提供し、プルーニング品質とキャリブレーションコストのトレードオフを提供する。
  論文  参考訳（メタデータ） (2026-09-29T06:52:07Z)
• Attention Itself Could Retrieve.RetrieveVGGT: Training-Free Long Context Streaming 3D Reconstruction via Query-Key Similarity Retrieval [86.05617542701644]
  Visual Geometry Grounded Transformer (VGGT)はスケーラブルなTransformerアーキテクチャを通じて3D再構成を行う。 StreamVGGTは因果的にストリーミングを可能にするが、KVキャッシュはフレームとともに線形に成長し、メモリオーバーフローと品質劣化を引き起こす。 本稿では、VGGTのコンテキスト構築を検索問題として定式化する、トレーニング不要なフレームワークRetrieveVGGTを提案する。
  論文  参考訳（メタデータ） (2026-05-10T16:41:54Z)
• StreamCacheVGGT: Streaming Visual Geometry Transformers with Robust Scoring and Hybrid Cache Compression [39.0869112189715]
  StreamCacheVGTは、キャッシュ管理を再定義するトレーニング不要のフレームワークである。 一定のコストの制約に厳格に固執しつつ、より優れた復元精度と長期安定を提供する。
  論文  参考訳（メタデータ） (2026-04-16T17:12:10Z)
• ZipMap: Linear-Time Stateful 3D Reconstruction via Test-Time Training [100.29965188088966]
  本稿では,線形時間・双方向3次元再構成を2次時間法の精度に適合あるいは超越しながら実現した,ステートフルフィードフォワードモデルZipMapを紹介する。 ZipMapはテストタイムのトレーニングレイヤを使用して、イメージコレクション全体を単一のフォワードパスでコンパクトな隠れシーン状態にジップする。 リアルタイム・シーン・クエリーにおけるステートフルな表現の利点とシーケンシャル・ストリーミング・リストラクションへの拡張を実証する。
  論文  参考訳（メタデータ） (2026-03-04T18:49:37Z)
• 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)
• LiteVGGT: Boosting Vanilla VGGT via Geometry-aware Cached Token Merging [46.29641757048328]
  Visual Geometry Grounded Transformer (VGGT)のような3次元視覚基盤モデルは、幾何学的知覚において大きく進歩している。 LiteVGGTは、長いシーケンスでは時間がかかり、メモリ集約的であり、何百もの画像を超える大規模なシーンにしか適用できない。 最大10倍の高速化とメモリ削減を実現し,1000イメージシーンの効率的な処理を実現するLiteVGGTを提案する。
  論文  参考訳（メタデータ） (2025-12-04T16:07:02Z)
• SRH-Net: Stacked Recurrent Hourglass Network for Stereo Matching [33.66537830990198]
  本研究では,3次元畳み込みフィルタで用いる4次元立方体体積を相違点方向の逐次コストマップに分解する。 新たなリカレントモジュールであるスタックド・リカレント・ホアーグラス(SRH)が,各コストマップの処理のために提案されている。 提案アーキテクチャはエンドツーエンドのパイプラインで実装され、パブリックデータセットで評価される。
  論文  参考訳（メタデータ） (2021-05-25T00:10:56Z)

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。