論文の概要: ARROW: Arbitrary Reconstruction and Tracking of 4D Observations in the Wild
- arxiv url: http://arxiv.org/abs/2610.01314v1
- Date: Thu, 01 Oct 2026 08:44:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.006954
- Title: ARROW: Arbitrary Reconstruction and Tracking of 4D Observations in the Wild
- Title（参考訳）: ARROW:野生の4次元観測の任意再構成と追跡
- Abstract要約: ARROWはフィードフォワードモデルであり、任意の画像集合から3次元再構成と3次元点追跡を統合する。
トレーニング中に、より多様な入力セットにモデルを公開することにより、タスク性能が向上することを示す。
得られたモデルは、多視点追跡を含む幅広いタスクに一般化することができる。
- 参考スコア（独自算出の注目度）: 10.169648870339406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic scenes may be captured by a moving camera, multiple video streams, or images taken at different times. These observations reveal complementary aspects of scene geometry and motion, yet bringing them together requires establishing correspondence across viewpoints, capture times, and visibility changes. We introduce ARROW, a feed-forward model that unifies 3D reconstruction and 3D point tracking from arbitrary image sets. At its core is a novel order-invariant querying approach, which allows the association of queries with observations across arbitrary inputs. We show that exposing the model to more diverse sets of inputs during training results in improved task performance. Moreover, the resulting model is capable of generalization to a wider range of tasks including multi-view tracking. Trained with this strategy, ARROW establishes a new state of the art in 3D tracking on WorldTrack and TAPVid-3D and outperforms dedicated multi-view trackers on an adapted RGB-only MVTracker benchmark, while remaining competitive across 3D reconstruction tasks. Code and weights are publicly available.
- Abstract（参考訳）: ダイナミックなシーンは、動くカメラ、複数のビデオストリーム、あるいは異なる時間に撮影された画像によってキャプチャされる。
これらの観察は、シーンの幾何学と動きの相補的な側面を明らかにするが、それらを組み合わせるには、視点、撮影時間、可視性の変化を横断する対応を確立する必要がある。
本稿では,任意の画像集合から3次元再構成と3次元点追跡を統一するフィードフォワードモデルであるARROWを紹介する。
中心となるのは、任意の入力をまたいでクエリと観測を関連付ける、新しい順序不変のクエリ手法である。
トレーニング中に、より多様な入力セットにモデルを公開することにより、タスク性能が向上することを示す。
さらに、得られたモデルは、多視点追跡を含む幅広いタスクに一般化することができる。
この戦略でトレーニングされたARROWは、WorldTrackとTAPVid-3Dで新しい最先端の3Dトラッキングを確立し、RGBのみのMVTrackerベンチマークで専用のマルチビュートラッカーを上回りながら、3D再構成タスク間の競争力を維持している。
コードとウェイトは公開されています。
関連論文リスト
- BEAST3D: Animal behavioral analysis and neural encoding from multi-view video via Gaussian splatting [6.870390707295292]
BEAST3Dは、ラベルなし、校正されたマルチビュービデオから3D視覚表現を学ぶ、自己教師付き事前学習フレームワークである。
BEAST3Dは、既知のカメラパラメータを直接条件付けすることで、4つのビューで3D構造を再構築する。
論文 参考訳（メタデータ） (2026-06-01T22:34:14Z) - 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) - SpatialTrackerV2: 3D Point Tracking Made Easy [73.0350898700048]
SpaceTrackerV2はモノクロビデオのフィードフォワード3Dポイントトラッキング手法である。
これは、世界空間の3Dモーションをシーン幾何学、カメラエゴモーション、ピクセルワイドオブジェクトモーションに分解する。
このような異種データから幾何学と運動を共同で学習することで、SpatialTrackerV2は既存の3Dトラッキング方法よりも30%優れています。
論文 参考訳（メタデータ） (2025-07-16T17:59:03Z) - St4RTrack: Simultaneous 4D Reconstruction and Tracking in the World [106.91539872943864]
St4RTrackは、RGB入力から世界座標フレーム内の動的ビデオコンテンツを同時に再構成し、追跡するフレームワークである。
静的および動的シーン幾何学の両方をキャプチャして、同じ世界において、同時に両方のポイントマップを予測する。
統合されたデータ駆動フレームワークの有効性と効率を実証し、世界フレームの再構築と追跡のための新しい広範囲なベンチマークを構築します。
論文 参考訳（メタデータ） (2025-04-17T17:55:58Z) - TAPVid-3D: A Benchmark for Tracking Any Point in 3D [63.060421798990845]
我々は,3Dにおける任意の点の追跡作業を評価するための新しいベンチマークTAPVid-3Dを導入する。
このベンチマークは、モノクロビデオから正確な3Dの動きと表面の変形を理解する能力を改善するためのガイドポストとして機能する。
論文 参考訳（メタデータ） (2024-07-08T13:28:47Z) - Integration of the 3D Environment for UAV Onboard Visual Object Tracking [7.652259812856325]
無人航空機からの単一の視覚的物体追跡は、根本的な課題となる。
本研究では,モデルフリーのビジュアルオブジェクトトラッカー,スパース3D再構成,状態推定器を組み合わせたパイプラインを提案する。
画像空間ではなく3次元空間における目標位置を表現することにより,エゴモーション時のトラッキングを安定化させる。
論文 参考訳（メタデータ） (2020-08-06T18:37:29Z)
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。