論文の概要: AIMS: Anchor-Integrated Multi-View Synthesis for Scalable Novel View Rendering

• arxiv url: http://arxiv.org/abs/2610.07566v1
• Date: Tue, 06 Oct 2026 00:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.729936
• Title: AIMS: Anchor-Integrated Multi-View Synthesis for Scalable Novel View Rendering
• Title（参考訳）: AIMS:スケーラブルな新しいビューレンダリングのためのアンカー付きマルチビュー合成
• Abstract要約: Anchor-Integrated Multi-View Synthesis (AIMS)は、グローバルな合成モデルによって処理されるビューの数から利用可能な観測回数を分離するスケーラブルなフレームワークである。 AIMSは2つのデータセットでそれぞれ29.41dBと17.73dBのPSNRを達成した。
• 参考スコア（独自算出の注目度）: 3.5174884177930448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward novel view synthesis methods achieve strong generalization from posed multi-view inputs, but scaling them to large input view sets remains challenging. Transformer-based approaches that jointly process all input-view tokens incur rapidly increasing computation and memory as the number of views grows, while simple view subsampling discards potentially useful observations. We introduce Anchor-Integrated Multi-View Synthesis (AIMS), a scalable framework that decouples the number of available observations from the number of views processed by the global synthesis model. AIMS selects a fixed set of spatially distributed anchor views using farthest point sampling, groups nearby observations around each anchor, and uses a lightweight learnable integrator to fuse their information into enriched anchor representations. This allows additional observations to contribute to synthesis while keeping the downstream global view budget fixed. Evaluations on RealEstate10K and ScanNet demonstrate a favorable quality--efficiency trade-off against transformer-based and Gaussian-based baselines. AIMS achieves 29.41 dB and 17.73 dB PSNR on the two datasets, respectively, with rendering averaging 7.24 ms per view.
• Abstract（参考訳）: フィードフォワード新規ビュー合成法は,提案した多視点入力から強力な一般化を実現するが,大規模な入力ビューセットに拡張することは依然として困難である。 すべての入力ビュートークンを共同処理するトランスフォーマーベースのアプローチは、ビューの数が増えるにつれて計算とメモリが急速に増加し、単純なビューサブサンプリングは潜在的に有用な観測を放棄する。 Anchor-Integrated Multi-View Synthesis (AIMS)は、グローバルな合成モデルによって処理されるビューの数から利用可能な観測回数を分離するスケーラブルなフレームワークである。 AIMSは、最遠点サンプリングと各アンカー周辺の観測グループを使用して、空間的に分散されたアンカービューの固定セットを選択し、軽量な学習可能なインテグレータを使用して、情報をリッチなアンカー表現に融合する。 これにより、下流のグローバルなビュー予算を固定しながら、さらなる観測が合成に寄与する。 RealEstate10KとScanNetの評価は、トランスフォーマーベースおよびガウスベースベースラインに対する良好な品質-効率トレードオフを示す。 AIMSは2つのデータセットでそれぞれ29.41dBと17.73dBのPSNRを達成した。

関連論文リスト

• NAMVIS: Next-Scale Autoregressive Multi-View Image Synthesis [54.42964151716413]
  我々は,多視点画像合成を幾何学条件の次スケール自己回帰として再構成する拡散フリーフレームワークであるNAMVISを紹介する。 NAMVISは、繰り返しの妄想を通してターゲットビューを生成する代わりに、少数の粗いスケールステップを通して離散的な視覚トークンを予測する。 NAMVISは、PSNR、SSIM、LPIPSの拡散ベースラインよりも優れ、評価された拡散ベースラインの3倍高速で動作する。
  論文  参考訳（メタデータ） (2026-10-03T19:22:02Z)
• AVSplat: Dense-View Feed-Forward 3D Gaussian Splatting with Assist-View Preconditioning [78.53780077475876]
  AVSplatは、アグリゲーションと表現の両方のための信頼性の高い信号に付加的なビューを変換するフレームワークである。 表現には適応型温度認識型ボクセル融合を用い,高い占有率下での寄与を鋭くする。 AVSplatは、パフォーマンスが安定している、あるいはより多くのインプットビューが追加されるにつれて改善される、ポジティブなビュースケーリングを復元する。
  論文  参考訳（メタデータ） (2026-09-05T06:33:04Z)
• Reference-Free Omnidirectional Stereo Matching via Multi-View Consistency Maximization [22.711843818785454]
  フリーオムニMVSはペアの相関関係を頑健でオールニの認識とグローバルなコンセンサスに集約することができる。 可視性を考慮したコンセンサスを実現するために,相関ベクトルを適応的に融合する軽量アテンション機構を提案する。 多様なベンチマークデータセットに対する実験は、グローバルに一貫性があり、可視性があり、スケールアウェアな深さ推定のための手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-03-16T09:23:23Z)
• Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
  本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
  論文  参考訳（メタデータ） (2025-12-10T07:56:19Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。