論文の概要: Towards Reconstructing Geographically Diverse Architecture with 3D Foundation Models

• arxiv url: http://arxiv.org/abs/2610.22514v1
• Date: Thu, 15 Oct 2026 18:08:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.618099
• Title: Towards Reconstructing Geographically Diverse Architecture with 3D Foundation Models
• Title（参考訳）: 3次元ファウンデーションモデルによる地理異種建築の再構築に向けて
• Abstract要約: ArchWorldは、地理的に高いカバレッジと豊富なメタデータを備えた、3Dアーキテクチャのランドマークのベンチマークである。 我々は、現在の3DFMの誤りを徹底的に分析し、その原因と改善方法について理解する。
• 参考スコア（独自算出の注目度）: 22.996729760105907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet-scale photo collections of real-world landmarks have driven progress in 3D computer vision yet remain highly challenging for modern 3D foundation models (3DFMs) that estimate scene structure in a single feed-forward pass. In this work, we introduce ArchWorld, a benchmark of 3D architectural landmarks with high geographic coverage and rich metadata. We use this benchmark to conduct a thorough error analysis of current 3DFMs to understand where they fall short and how they can be improved. We examine socially relevant disparities in model error and find that model performance varies by geographic region; however, unlike typical fairness regimes, the trends only partially match training data representation. Our investigation reveals that the observed geographic disparities reflect not only differences in data representation and scene size but also differences in region-specific architectural features and background distractors that make scenes from different regions inherently vary in difficulty. Leveraging insights from these model failings, we introduce an intervention scheme that improves 3DFM performance while simultaneously reducing geographic disparities.
• Abstract（参考訳）: 実世界のランドマークのインターネットスケールの写真コレクションは、3Dコンピュータビジョンの進歩を推し進めているが、単一のフィードフォワードパスにおけるシーン構造を推定する現代の3Dファンデーションモデル(3DFM)では、非常に困難である。 本稿では,地理情報とメタデータの豊富な3次元ランドマークのベンチマークであるArchWorldを紹介する。 このベンチマークを用いて、現在の3DFMの完全なエラー解析を行い、それらがどこが不足しているか、どのように改善できるかを理解する。 モデル誤差の社会的相違について検討し、モデル性能が地域によって異なることを確認するが、典型的な公正な制度とは異なり、傾向はトレーニングデータ表現に部分的に一致しない。 調査の結果、観測された地理的格差は、データ表現とシーンサイズの違いだけでなく、異なる領域のシーンを本質的に困難に変化させる、地域固有の建築特徴や背景イントラクタの違いも反映していることが明らかとなった。 これらのモデル欠陥から得られた知見を活用して,地理的格差を同時に低減しつつ,3DFM性能を向上させる介入方式を導入する。

関連論文リスト

• Where Do Vision-Language Models Fail? World Scale Analysis for Image Geolocalization [3.713195826948382]
  VLM(Vision-Language Models)は、マルチモーダルタスクにまたがる強力なゼロショット推論能力を示す。 地上画像のみを用いた国レベルの画像位置情報化のための複数の最先端VLMの体系的評価を行う。
  論文  参考訳（メタデータ） (2026-04-17T17:09:14Z)
• Feed-Forward 3D Scene Modeling: A Problem-Driven Perspective [91.23306722968509]
  汎用的なフィードフォワード3D再構築は近年急速に進展している。 既存のフィードフォワードアプローチも同様に高いレベルのアーキテクチャパターンを共有している。 本稿では,出力形式に依存しないモデル設計戦略を中心とした新しい分類法を提案する。
  論文  参考訳（メタデータ） (2026-04-15T16:07:18Z)
• Decomposed evaluations of geographic disparities in text-to-image models [22.491466809896867]
  本稿では,画像生成における特徴の分割指標(Decomposed Indicators of Disparities in Image Generation, Decomposed-DIG)を提案する。 Decomposed-DIGを用いて、広く使われている潜伏拡散モデルを評価し、生成した画像が背景よりも写実性の良い物体を描いていることを確認する。 私たちはDecomposed-DIGを使って、アフリカのステレオタイプな背景生成、アフリカの近代的な車両の生成に苦労し、屋外設定にいくつかのオブジェクトを非現実的に配置するなど、相違点の具体例を特定します。
  論文  参考訳（メタデータ） (2024-06-17T18:04:23Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
  本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。 オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
  論文  参考訳（メタデータ） (2023-11-29T20:30:18Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• Regional Attention with Architecture-Rebuilt 3D Network for RGB-D Gesture Recognition [7.475025465262353]
  ジェスチャー認識のためのアーキテクチャ再構築型3Dネットワーク(RAAR3DNet)を提案する。 我々は、ニューラルネットワークサーチ(NAS)を介して、ネットワークを介して自動的に再構築された構造に固定されたインセプションモジュールを置き換える。 これにより、ネットワークは異なるレイヤにおけるさまざまなレベルの特徴表現をより適応的にキャプチャできる。
  論文  参考訳（メタデータ） (2021-02-10T09:36:00Z)

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。