論文の概要: Less Decoder is More Encoder: Geometric Representation Learning from Novel View Synthesis

• arxiv url: http://arxiv.org/abs/2610.03717v1
• Date: Fri, 02 Oct 2026 17:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.561685
• Title: Less Decoder is More Encoder: Geometric Representation Learning from Novel View Synthesis
• Title（参考訳）: デコーダの少ないエンコーダ:新しいビュー合成による幾何学的表現学習
• Abstract要約: SNAPは、ポーズ条件付きローカルデコーダと潜時空間再構築目的の両方を通して対処する自己教師型エンコーダデコーダトランスである。 SNAPはまた、5つのタスクにわたる自己監督型表現に対して競争的に機能する。
• 参考スコア（独自算出の注目度）: 25.347785762865154
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper examines the role of Novel View Synthesis (NVS) in geometric representation learning. In principle, NVS should reason about 3D scene structure, thereby enabling transferable multi-view geometric representations. Yet, existing encoder-based NVS methods yield poor representations. This is not because of a lack of supervisory signal, but rather due to inconspicuous architectural choices: \textit{spatially expressive decoders} that dilute representational capabilities of the scene encoder, and \textit{low-level pixel-space targets} that hinder feature learning. We present SNAP, a self-supervised encoder-decoder transformer that addresses both through a pose-conditioned local decoder and a latent-space reconstruction objective. SNAP is task agnostic, and we show that it is competitive with special-purpose geometry-supervised methods. SNAP also performs competitively against self-supervised representations across five tasks: visual localization, pose estimation, point correspondence, depth estimation, and robot manipulation. Remarkably, SNAP's patch features exhibit emergent viewpoint invariance that approaches heavily supervised models despite lower compute and data budgets. Under camera shifts where standard 2D representations collapse, SNAP degrades more gracefully, revealing that restricting decoder expressivity actively prevents the suppression of transferable geometric structure. https://snap-nvs.github.io
• Abstract（参考訳）: 本稿では,幾何学的表現学習における新規ビュー合成(NVS)の役割について検討する。 原則として、NVSは3次元シーン構造を推論し、転送可能な多視点幾何表現を可能にする。 しかし、既存のエンコーダベースのNVSメソッドでは表現が貧弱である。 シーンエンコーダの表現能力を希薄にする \textit{spatially expressive decoders} と、特徴学習を妨げる \textit{low-level pixel-space target} である。 本稿では、ポーズ条件付きローカルデコーダと潜時空間再構築目的の両方を通して対応できる自己教師型エンコーダデコーダトランスSNAPを提案する。 SNAPはタスク非依存であり,特殊目的幾何学的手法と競合することを示す。 SNAPはまた、視覚的ローカライゼーション、ポーズ推定、ポイント対応、深さ推定、ロボット操作という5つのタスクにまたがる自己監督的表現に対して競争的に機能する。 注目すべきは、SNAPのパッチ機能は、低い計算とデータ予算にもかかわらず、厳密な教師付きモデルにアプローチする創発的な視点不変性を示すことである。 標準2次元表現が崩壊するカメラシフトでは、SNAPはより優雅に分解され、デコーダの表現性を制限することで、転送可能な幾何学構造が抑制される。 https://snap-nvs.github.io

関連論文リスト

• Seeing Through the Weights: Privacy Leakage in Scene Coordinate Regression [9.85962651843239]
  SCR(Scene Coordinate Regression)法は、視覚的ローカライゼーションに採用されている。 シーンはネットワークパラメータを通してのみ表現され、画像やマップとして明示的に保存されないため、そのような方法はプライバシ保護であると仮定されることが多い。 本研究では,SCRモデルから学習環境の3次元形状をモデルアクセスの異なるレベルで再構成するクエリベースの攻撃を提案する。 これは、SCR表現が設計によるプライバシ保護であるという文献の主張と直接矛盾しており、そのようなシステムがプライベートまたはセキュリティクリティカルな空間にデプロイされた場合の本当のリスクを明らかにしている。
  論文  参考訳（メタデータ） (2026-06-30T05:54:23Z)
• LagerNVS: Latent Geometry for Fully Neural Real-time Novel View Synthesis [73.37845251310303]
  LagerNVSは、ノベルビュー合成のためのエンコーダデコーダニューラルネットワークである。 このようなネットワークの設計において,強い3次元帰納バイアスが依然として有効であることを示す。
  論文  参考訳（メタデータ） (2026-03-20T17:53:06Z)
• PercHead: Perceptual Head Model for Single-Image 3D Head Reconstruction & Editing [51.56943889042673]
  PercHeadは、シングルイメージの3Dヘッド再構成とセマンティック3D編集のための方法である。 単一の入力画像からビュー一貫性を持つ3Dヘッドを再構成するための統一ベースモデルを開発する。 軽量でインタラクティブなGUIを通して、直感的で強力な3D編集機能を強調します。
  論文  参考訳（メタデータ） (2025-11-04T17:59:15Z)
• GLACE: Global Local Accelerated Coordinate Encoding [66.87005863868181]
  シーン座標回帰法は小規模なシーンでは有効であるが、大規模シーンでは重大な課題に直面している。 本研究では,事前学習したグローバルおよびローカルのエンコーディングを統合したGLACEを提案する。 提案手法は,低マップサイズモデルを用いて,大規模シーンにおける最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:50Z)
• Vision Transformer for NeRF-Based View Synthesis from a Single Input Image [49.956005709863355]
  本稿では,グローバルな特徴と局所的な特徴を両立させ,表現力のある3D表現を実現することを提案する。 新たなビューを合成するために,学習した3次元表現に条件付き多層パーセプトロン(MLP)ネットワークを訓練し,ボリュームレンダリングを行う。 提案手法は,1つの入力画像のみから新しいビューを描画し,複数のオブジェクトカテゴリを1つのモデルで一般化することができる。
  論文  参考訳（メタデータ） (2022-07-12T17:52:04Z)
• Self-Supervised Point Cloud Representation Learning with Occlusion Auto-Encoder [63.77257588569852]
  本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。 私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。 従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
  論文  参考訳（メタデータ） (2022-03-26T14:06:29Z)
• Deep View Synthesis via Self-Consistent Generative Network [41.34461086700849]
  ビュー合成は、2つ以上のカメラが異なる位置で捉えた一連のビューから目に見えないビューを生成することを目的としている。 この問題に対処するために、ほとんどの既存の方法はピクセルに一致する幾何学的情報を利用しようとします。 本稿では,幾何学的情報を明示的に活用することなく,新たなビューを合成する自己持続生成ネットワーク(SCGN)を提案する。
  論文  参考訳（メタデータ） (2021-01-19T10:56:00Z)
• Continuous Object Representation Networks: Novel View Synthesis without Target View Supervision [26.885846254261626]
  連続オブジェクト表現ネットワーク(Continuous Object Representation Networks、CORN)は、入力画像の幾何学と外観を3D一貫したシーン表現にマッピングする条件付きアーキテクチャである。 CORNは、新しいビューの合成やシングルビューの3D再構成、そして直接監督を使用する最先端のアプローチに匹敵するパフォーマンスといった挑戦的なタスクでうまく機能する。
  論文  参考訳（メタデータ） (2020-07-30T17:49:44Z)

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。