論文の概要: Revar3r: gauge-aware perturbation uncertainty for feed-forward 3d reconstruction
- arxiv url: http://arxiv.org/abs/2610.07883v1
- Date: Tue, 06 Oct 2026 07:29:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.868441
- Title: Revar3r: gauge-aware perturbation uncertainty for feed-forward 3d reconstruction
- Title（参考訳）: Revar3r:3次元フィードフォワード再構成のためのゲージ型摂動不確実性
- Abstract要約: 凍結した3Dモデルがその出力フレームが分数的に回転するため、等価な入力を処理する場合であっても、正しく再構成された遠点が不確かである。
この研究は、シーンの広さで成長し、望まれる信号に圧倒される可能性のある、クローズドな、エラーに依存しない分散項を導出する。
VGGT、3、MASt3Rを6つのデータセットで比較すると、すべてのバックボーン上の同じ推定器は18の条件のうち15の条件でAUSEの信頼性を低くする。
- 参考スコア（独自算出の注目度）: 0.1749935196721634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A correctly reconstructed distant point appears uncertain even when a frozen 3D model processes equivalent inputs because its output frame rotates fractionally. This exposes a weakness of trainingfree perturbation uncertainty: when outputs contain an unobserved symmetry, run-to-run variation potentially reflects symmetry rather than error. Existing alternatives have trade-offs: built-in confidence is outperformed in most evaluated conditions, while trained evidential heads require modelspecific supervision. For point maps, this research derives a closed-form, error-independent variance term that grows with scene extent and potentially overwhelms the desired signal. Simulation reproduces the effect; all 30 real VGGT view-sets tested exhibit its predicted $\|x_p\|^2$ signature. ReVar3R robustly registers predictions to a common similarity frame before computing per-point variance, without retraining or modifying the frozen model. Optional calibration and fusion use a held-out split. Across VGGT, π3, and MASt3R on six datasets, the same estimator on every backbone lowers AUSE below built-in confidence in 15 of 18 conditions. The staged evaluation yields 11 of 18 wins for the label-free core, 12/18 for label-free equal-weight fusion, 14/18 with held-out weights, and 15/18 when the built-in signal is included. Against a trained evidential head, the result is a trade-off: the head calibrates magnitude better and leads in its training domain, whereas ReVar3R transfers across backbones without adaptation. Its ranking improves point filtering, but it does not detect stable systematic bias, aid novel-view synthesis, or transfer calibration across domains.
- Abstract（参考訳）: 凍結した3Dモデルがその出力フレームが分数的に回転するため、等価な入力を処理する場合であっても、正しく再構成された遠点が不確かである。
これはトレーニング不要な摂動の不確実性の弱点を露呈する: 出力が観測されない対称性を含む場合、ラン・トゥ・ランの変動はエラーよりも対称性を反映する可能性がある。
既存の代替案にはトレードオフがある: ビルトインの信頼性は、ほとんどの評価済みの条件で優れており、訓練された明らかな頭部はモデル固有の監督を必要とする。
ポイントマップの場合、この研究は、シーン範囲で成長し、望まれる信号に圧倒される可能性のある、クローズド形式の誤差非依存な分散項を導出する。
30個の実VGGTビューセットが予測された$\|x_p\|^2$シグネチャを示す。
ReVar3Rは、フリーズモデルの再トレーニングや修正をすることなく、ポイント毎の分散を計算する前に、予測を共通の類似性フレームに頑健に登録する。
オプションキャリブレーションと融合はホールドアウトスプリットを使用する。
VGGT、π3、MASt3Rを6つのデータセットで比較すると、各バックボーン上の同じ推定器は18条件中15条件でAUSEを信頼度以下に低下させる。
ラベルフリーコアは18点中11点、ラベルフリー同重融合は12/18点、保持重量は14/18点、内蔵信号は15/18点である。
頭部は格段に校正され、訓練領域に導かれるが、ReVar3Rは適応せずに背骨間を移動する。
そのランク付けは点フィルタリングを改善するが、安定な体系的バイアスを検出したり、新規ビュー合成を支援したり、ドメイン間の移動校正を行うことはない。
関連論文リスト
- Beyond Verbalized Confidence: Calibrating Reasoners with Differentiable Readouts [57.65087348754571]
検証可能な報酬(RLVR)による強化学習は、モデルに正しい回答を与えるよう推論するモデルを訓練するが、その信頼性が校正されることは保証しない。
近年の手法では、RLVRループ内のキャリブレーションを、モデルが応答に付随して数値的信頼度を持たせることで訓練しているが、これらはすべてテキストとしてサンプリングすることで信頼性を得る。
我々は、サンプリングを決定論的読み出しに置き換えるためにCREDO(Confidence REaDOut)を提案する。
論文 参考訳（メタデータ） (2026-09-28T10:47:41Z) - PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。
ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
論文 参考訳（メタデータ） (2026-09-17T17:54:12Z) - GeoCond: A Conditioning-Aware Reliability Adapter for Feed-Forward 3D Reconstruction [21.540732610581927]
フリーズフィードフォワード3Dバックボーン用の軽量信頼性アダプタであるGeoCondを紹介する。
GeoCondは、バックボーンの予測された幾何学を読み出し、ポーズレベルの不確実性と洗練されたゲートを出力する。
VGGTでは、GeoCondはアウト・オブ・ディストリビューション(OOD)AUSEを0.32ドルから0.20ドルまで改善している。
論文 参考訳（メタデータ） (2026-09-16T11:00:01Z) - Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。
報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。
textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
論文 参考訳（メタデータ） (2026-08-06T14:55:42Z) - When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering [0.8594140167290097]
ラベルのない信頼性信号として、摂動入力間のモデルの合意が使用される。
レンダリングは正確さと信頼性の両方で再サンプリングする。
モデル自身のクロスレンダーコンセンサスインバータを微調整する。
論文 参考訳（メタデータ） (2026-08-06T07:08:05Z) - Calibrated Closed-Form Uncertainty for Radiative Gaussian Splatting in Sparse-View CT [13.147279382369293]
ガウススプラッティングCTにおける最初の系統的校正法について検討した。
その結果, ボクセルごとの不確実性は, 公式ベンチマークの15面中14面に真の復元誤差をランク付けすることがわかった。
そして、不適格な買収スコアがなぜ許容できる見解を選択できるのかを見極める。
論文 参考訳（メタデータ） (2026-07-15T10:25:05Z) - AffectFlow-DINO: Uncertainty-Aware Multi-Task Affect Estimation via Conditional Rectified Flow [13.11051449383848]
第11回ABAWチャレンジのためのマルチタスク学習システムである textbfAffectFlow-DINO を提案する。
標準的な決定論的アーキテクチャを条件付き整形フローヘッドで拡張し、ワイルドな顔の振る舞いの本質的なあいまいさをモデル化する。
論文 参考訳（メタデータ） (2026-07-14T20:31:21Z) - When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
物理信号の長距離自己回帰予測は誤差蓄積によって制限される。
物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
論文 参考訳（メタデータ） (2026-06-09T13:46:14Z) - Architectural Observability Collapse in Transformers [0.0]
トレーニングは、出力信頼が露呈しない内部的な意思決定品質のシグナルを保持します。
信頼制御は、平均60.3%の生プローブ信号を6つのファミリーの14モデルで吸収する。
Llama 3.1 8Bは、同じ32層、32頭、4096面の形状で崩壊する。
論文 参考訳（メタデータ） (2026-04-27T02:39:02Z) - Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。
このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
論文 参考訳（メタデータ） (2026-02-06T12:24:26Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z)
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。