論文の概要: MIRAGE: Metric Inference and Reliability-Aware Gaussian Estimation from Feed-Forward Vision
- arxiv url: http://arxiv.org/abs/2610.12568v1
- Date: Thu, 08 Oct 2026 18:00:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.239638
- Title: MIRAGE: Metric Inference and Reliability-Aware Gaussian Estimation from Feed-Forward Vision
- Title（参考訳）: MIRAGE: フィードフォワードビジョンによるメトリクス推論と信頼性を考慮したガウス推定
- Abstract要約: フィードフォワードの3Dプリエントは信頼性の高いメートル法を欠き、長期の軌道漂流に悩まされることが多い。
対照的に、LiDAR-慣性推定はメートル法的に正確な動きを提供するが、高忠実度再構成に必要な画像空間の整合性は欠いている。
We propose $MIRAGE$, which is anchors feed-forward visual geometry to LiDAR-IMU metric motion and regulations online pose corrects。
- 参考スコア（独自算出の注目度）: 93.94532245173828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feed-forward 3D priors enable high-quality reconstruction from image streams but often lack reliable metric scale and suffer from long-term trajectory drift. In contrast, LiDAR--inertial estimation provides metrically accurate motion but lacks the image-space consistency needed for high-fidelity reconstruction. We propose $MIRAGE$, which anchors feed-forward visual geometry to LiDAR--IMU metric motion and regulates online pose corrections according to correspondence support and cross-modal agreement, jointly enabling accurate metric pose estimation and high-fidelity Gaussian reconstruction. Experiments on Oxford Spires, M2DGR and INS show that MIRAGE achieves accurate metric trajectory estimation, outperforming COLMAP, a widely used but computationally expensive reference for vision-only benchmarks. Motivated by the scarcity of long-horizon monocular benchmarks for large-scale indoor reconstruction, we further build a multimodal data-collection platform and use MIRAGE to establish accurate 6-DoF reference trajectories for a new vision-only benchmark. We benchmark recent monocular large-scale reconstruction methods on this dataset, providing a systematic evaluation of their performance in long-horizon indoor scenes.
- Abstract（参考訳）: フィードフォワード3Dプリエントは、画像ストリームから高品質な再構築を可能にするが、信頼性の高いメートル法スケールが欠如し、長期の軌道漂流に悩まされることが多い。
対照的に、LiDAR-慣性推定はメートル法的に正確な動きを提供するが、高忠実度再構成に必要な画像空間の整合性は欠如している。
We propose $MIRAGE$, anchors feed-forward visual geometry to LiDAR-IMU metric motion and Regulations online pose corrections according to correspond support and cross-modal agreement, togetherly possible accurate metric pose Estimation and high-fidelity Gaussian reconstruction。
オックスフォード・スパイルズ、M2DGR、INSの実験では、MIRAGEが正確な計量軌跡推定を達成し、COLMAPより優れていることが示されている。
大規模屋内再構築のためのロングホライゾン単分子ベンチマークの不足により,さらにマルチモーダルなデータ収集プラットフォームを構築し,MIRAGEを用いて,新しい視覚のみのベンチマークのための正確な6-DoF基準軌跡を確立する。
本稿では,近年のモノラルな大規模再構成手法をベンチマークし,長期屋内シーンにおける性能の体系的評価を行う。
関連論文リスト
- F$^2$ SLAM: Turning Feed-Forward Geometry into Persistent Factors for SLAM [20.263600343010125]
フィードフォワード3Dモデルは、強いマルチビュー幾何学的先行性を提供する一方、オンラインの同時ローカライゼーションとマッピングは、主に局所的なミーアグリーメントに依存し、長いシーケンスでドリフトを蓄積することができる。
本稿では,F2SLAMを提案する。このF2SLAMは,フィードフォワード形状をペシステント密度係数グラフに付加した最適化ネイティブな目標重み測定に変換する。
複数のベンチマークの実験は、常に強い軌道推定を示し、校正と非校正の両方で密度の高い再構成を改善した。
論文 参考訳（メタデータ） (2026-10-04T13:24:27Z) - From LiDAR Maps to Visual Localization: Unified Visual Association for Robust Point-Line-Plane Pose Estimation [15.727459837586936]
以前のLiDARマップにおけるカメラのローカライゼーションは、長期ロボットナビゲーションに永続的な幾何学的参照を提供する。
我々は,専用画像-LiDAR対応モデルに頼るのではなく,LiDARマップを視覚的に対応できる統一的なローカライゼーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-23T05:05:05Z) - Initialization-Free Bundle Adjustment Revisited: A Controlled Experimental Study [55.50399455527231]
初期化自由バンドル調整(InitFree BA)は、画像観察から直接カメラポーズとシーン構造を復元することを目的としている。
オブジェクト空間誤差(OSE)の定式化と可変射影(VarPro)に基づく最近の手法は、ランダムカメラ構成からの最適化挙動を奨励している。
我々は,既存のOSE定式化のC++実装とBlenderベースのデータセット生成器を組み合わせた統一評価フレームワークにより,InitFree BAを実験的に再検討する。
論文 参考訳（メタデータ） (2026-08-18T17:23:06Z) - EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。
提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
論文 参考訳（メタデータ） (2026-08-09T09:00:30Z) - ScaRF-SLAM: Scale-Consistent Reconstruction with Feed-Forward Models and Classical Visual SLAM [10.058942794895703]
本稿では,従来の機能ベースSLAMを基盤モデル(GFM)と統合し,低レイテンシのロバストな追跡を行う脱結合フレームワークを提案する。
提案手法は,既存手法よりも10%～20%精度を向上しつつ,軌道精度を向上する。
提案手法は,既存手法に比べて10%～20%精度が向上し,軌道精度が向上することを示す。
論文 参考訳（メタデータ） (2026-05-29T19:34:00Z) - 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) - KaoLRM: Repurposing Pre-trained Large Reconstruction Models for Parametric 3D Face Reconstruction [51.67605823241639]
KaoLRMは、一視点画像からパラメトリックな3次元顔再構成を行うために、Large Restruction Model (LRM)の学習前を再度ターゲットする。
制御されたベンチマークと内部ベンチマークの両方の実験により、KaoLRMはより優れた再構成精度とクロスビュー整合性を実現することが示された。
論文 参考訳（メタデータ） (2026-01-19T05:36:59Z) - Gaussian Alignment for Relative Camera Pose Estimation via Single-View Reconstruction [18.936573991468926]
GARPSは、2つの独立して再構成された3Dシーンの直接的なアライメントとしてこの問題を論じる、トレーニング不要のフレームワークである。
差分可能なGMMアライメント目標を最適化することにより、フィードフォワード2ビューポーズ推定器の初期ポーズを洗練する。
Real-Estate10Kデータセットの実験では、GARPSが古典的および最先端の学習ベースの手法よりも優れていることが示されている。
論文 参考訳（メタデータ） (2025-09-17T02:57:34Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - Few-shot Non-line-of-sight Imaging with Signal-surface Collaborative
Regularization [18.466941045530408]
非視線イメージング技術は、多重反射光からターゲットを再構成することを目的としている。
最小限の測定回数でノイズロバストを再現する信号表面の協調正規化フレームワークを提案する。
我々のアプローチは、救助活動や自律運転といったリアルタイム非視線画像アプリケーションにおいて大きな可能性を秘めている。
論文 参考訳（メタデータ） (2022-11-21T11:19:20Z)
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。