論文の概要: Less Context, Better Geometry: Masked Geometric Encoder for Robust 3D Foundation Models
- arxiv url: http://arxiv.org/abs/2610.06813v1
- Date: Mon, 05 Oct 2026 17:55:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 22:27:17.629534
- Title: Less Context, Better Geometry: Masked Geometric Encoder for Robust 3D Foundation Models
- Title（参考訳）: ロバストな3DファンデーションモデルのためのMasked Geometric Encoder
- Abstract要約: 不完全なクロスビュー環境下でのロバストな幾何学的表現の学習を促進するMasked Adaptive Geometric (MGE)を導入する。
MGEは、標準ベンチマークで高いパフォーマンスを維持しながら、オクルージョンとドッペルガンガービューの下でずっとパフォーマンスが向上する。
我々は,アンカーフレームを代表的に保持し,残ったビューからトークンを共同でマージする新しいアンカーガイド型トークンマージ技術を開発した。
- 参考スコア（独自算出の注目度）: 27.150033708894437
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent progress in 3D foundation models has enabled rapid 3D reconstruction and camera calibration by leveraging learned 3D priors from vast amount of spatial data. However, the all-to-all global attention design leads to quadratic complexity and limits long-sequence inference; unconstrained cross-view interactions also can propagate unreliable evidence from occluded or visually similar but geometrically distant views. In this paper, We introduce a Masked Geometric Encoder (MGE), which promotes the learning of robust geometric representations under incomplete cross-view context. During training, MGE strategically drops frame tokens from global attention and distills from a pretrained full-context teacher model. This allows the model to learn an intrinsically richer per-frame representation while providing sufficient intermediate supervision to avoid performance degradation. Through extensive experiments, we show that MGE leads to much stronger performance under occlusion and doppelganger views while retaining high performance on standard benchmarks. Such a richer frame representation also leads to more effective token reduction during inference. To this end, we develop a novel Anchor-Guided Adaptive token merging technique that preserves representative anchor frames while jointly merging redundant tokens from the remaining views. Compared to other efficient inference approaches, we can achieve inference speedup while consistently maintaining higher reconstruction quality, particularly in limited-view settings.
- Abstract（参考訳）: 近年の3次元基礎モデルの進歩により、大量の空間データから学習した3次元先行情報を活用することで、迅速な3次元再構成とカメラキャリブレーションが可能となった。
しかし、すべてのグローバルな注意設計は、二次的な複雑さと長期の推論を制限し、制約のないクロスビューの相互作用は、隠蔽された、あるいは視覚的に類似しているが幾何学的には遠い視点から、信頼できない証拠を広めることもできる。
本稿では,不完全なクロスビュー環境下でのロバストな幾何学的表現の学習を促進するMasked Geometric Encoder (MGE)を紹介する。
訓練中、MGEは、グローバルな注目からフレームトークンを戦略的に落とし、事前訓練されたフルコンテキストの教師モデルから蒸留する。
これにより、モデルは本質的にフレーム単位の表現をよりリッチにし、性能劣化を避けるのに十分な中間的な監視を提供することができる。
広範にわたる実験により、MGEは標準ベンチマークで高い性能を維持しながら、閉塞およびドッペルガンガービュー下でのより強力な性能を実現することを示した。
このようなリッチなフレーム表現は、推論中により効果的なトークンの削減につながる。
そこで,本稿では,アンカーフレームを代用するアンカーガイド型適応トークンマージ技術を開発し,残りのビューから冗長トークンを共同でマージする手法を提案する。
他の効率的な推論手法と比較して、特に限定的なビュー設定において、高いリコンストラクション品質を維持しつつ、推論の高速化を実現することができる。
関連論文リスト
- Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。
この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。
非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2026-06-22T02:52:22Z) - FlowObject: Flow Steering for Bridging Generative Priors and Reconstruction Fidelity [34.142288038459704]
FlowObjectは、スパースビューの3D再構成をトレーニング不要でガイド付き逆問題として再構成するフレームワークである。
提案手法は、幾何学的完全性およびビュー依存外観忠実度の両方において、最先端の生成モデルと最適化に基づくフレームワークを著しく上回る。
論文 参考訳（メタデータ） (2026-06-17T12:42:09Z) - Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。
エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。
第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。
第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
論文 参考訳（メタデータ） (2026-04-12T10:36:18Z) - Contrastive Multi-Modal Hypergraph Reasoning for 3D Crowd Mesh Recovery [12.116457701406047]
実世界のインタラクション分析において,多人数の3D再構成が重要である。
現在のアプローチは、本質的に幾何学的なガイダンスが欠如している単一モダリティ入力に依存している。
コントラスト型マルチモーダルハイパーグラフ推論により, 群集再建のための意味的, 幾何学的, ポーズ的手がかりの相乗化を行う。
論文 参考訳（メタデータ） (2026-04-01T09:39:01Z) - 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) - FAST3DIS: Feed-forward Anchored Scene Transformer for 3D Instance Segmentation [15.271467111162714]
FAST3DISは、ホット後のクラスタリングを効果的にバイパスするエンドツーエンドのアプローチである。
本稿では,基礎的な奥行きバックボーン上に構築された3Dアンコール型クエリベースのTransformerアーキテクチャを提案する。
複雑な屋内3次元データセットを用いた実験により,本手法が競合セグメンテーション精度を実現することを示す。
論文 参考訳（メタデータ） (2026-03-27T00:45:31Z) - Rewis3d: Reconstruction Improves Weakly-Supervised Semantic Segmentation [58.37682525044409]
Rewis3dは、フィードフォワード3D再構成の最近の進歩を活用し、2D画像上の弱い教師付きセマンティックセグメンテーションを著しく改善するフレームワークである。
Rewis3dはスパース監視における最先端のパフォーマンスを達成し、ラベルの追加や推論オーバーヘッドを必要とせずに既存のアプローチを2～7%上回ることを示す。
論文 参考訳（メタデータ） (2026-03-06T15:25:20Z) - GPA-VGGT:Adapting VGGT to Large Scale Localization by Self-Supervised Learning with Geometry and Physics Aware Loss [15.633839321933385]
近年のVisual Geometry Grounded Transformer (VGGT) モデルの進歩は、カメラのポーズ推定と3次元再構成において大きな可能性を秘めている。
これらのモデルは通常、トレーニングのために真実のラベルを頼りにしており、ラベルのない、目に見えないシーンに適応する際の課題を提起している。
本稿では,VGGTをラベルのないデータで訓練する自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-23T16:46:59Z) - GD-MAE: Generative Decoder for MAE Pre-training on LiDAR Point Clouds [72.60362979456035]
Masked Autoencoders (MAE)は、大規模な3Dポイントクラウドでの探索が難しい。
我々は,周囲のコンテキストを自動的にマージするためのtextbfGenerative textbfDecoder for MAE (GD-MAE)を提案する。
提案手法の有効性を, KITTI と ONCE の2つの大規模ベンチマークで実証した。
論文 参考訳（メタデータ） (2022-12-06T14:32:55Z)
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。