論文の概要: ReDT: Resolution-Decoupled Visual Geometry Transformer

• arxiv url: http://arxiv.org/abs/2610.25517v1
• Date: Sun, 18 Oct 2026 20:17:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:34:33.75175
• Title: ReDT: Resolution-Decoupled Visual Geometry Transformer
• Title（参考訳）: ReDT:解像度分離型ビジュアル幾何学変換器
• Abstract要約: ReDTは、高精細(HD)入力への再構成をスケールするために設計されたフィードフォワード視覚幾何学変換器である。 ReDTは、再現品質と計算効率の両方において、最先端のビジュアル幾何変換器よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 8.737129292419258
• License:
• Abstract: We introduce ReDT, a feed-forward visual geometry transformer designed to scale multi-view reconstruction to high-definition (HD) inputs. Existing visual geometry transformers are typically trained at fixed, standard definition (SD) resolutions and exhibit degraded reconstruction quality and poor computational scaling to high input resolutions. While recent efficient architectures reduce the complexity of inter-frame attention, expensive intra-frame and encoder attention remain largely unaddressed, making HD reconstruction impractical with existing architectures. ReDT addresses both limitations with a resolution-aware architecture designed to scale to high-resolution inputs. The key idea of ReDT is to first map each view to a fixed-size set of basis tokens, compute correspondences in this compact constant-size basis space, and then project the outputs back to the original resolution for dense prediction. By decoupling the internal representation from input resolution during attention, ReDT substantially reduces the computational cost of high-resolution 3D reconstruction and improves model performance at all resolutions. Extensive experiments on multiple datasets spanning SD to FHD (2K) show that ReDT outperforms state-of-the-art visual geometry transformers in both reconstruction quality and computational efficiency. For instance, on the ETH3D (2K) dataset, ReDT achieves a $16\times$ speedup, a $34\%$ reduction in peak GPU memory usage, and a $33\%$ reduction in chamfer distance over VGGT-$Ω$. \href{https://redt.github.io}{Project Website.}
• Abstract（参考訳）: 本稿では、多視点再構成を高精細(HD)入力に拡張するために設計されたフィードフォワード視覚幾何学変換器ReDTを紹介する。 既存のビジュアル幾何変換器は、通常、固定された標準定義(SD)解像度で訓練され、劣化した再構成品質と高い入力解像度への計算スケーリングの低下を示す。 最近の効率的なアーキテクチャは、フレーム間の注意の複雑さを減らすが、高価なフレーム内およびエンコーダの注意は、ほとんど役に立たないままであり、既存のアーキテクチャではHD再構成は実用的ではない。 ReDTは、高解像度入力にスケールするように設計された解像度対応アーキテクチャで、両方の制限に対処する。 ReDTの鍵となる考え方は、まず各ビューを固定サイズの基底トークンの集合にマッピングし、このコンパクトな定数サイズの基底空間での対応を計算し、次に出力を元の解像度に投影して密度予測することである。 ReDTは、注目中の入力解像度から内部表現を分離することにより、高解像度の3D再構成の計算コストを大幅に削減し、すべての解像度でのモデル性能を向上させる。 SDからFHD(2K)にまたがる複数のデータセットに対する大規模な実験により、ReDTは再構築品質と計算効率の両方で最先端のビジュアルジオメトリトランスフォーマーより優れていることが示された。 例えば、ETH3D(2K)データセットでは、ReDTは16-times$のスピードアップ、ピークGPUメモリ使用量の34-%の削減、VGGT-$$$$のシャムファー距離の33-%の削減を達成している。 https://redt.github.io}{Project Webサイト ※

関連論文リスト

• HD-VGGT: High-Resolution Visual Geometry Transformer [28.73190234129584]
  高速で高解像度な3D再構成を実現するためのデュアルブランチアーキテクチャであるHD-VGGTを導入する。 低分解能分岐は粗大で一貫した幾何学を予測し、高分解能分岐は学習された機能アップサンプリングモジュールを通して詳細を洗練する。 不安定なトークンを扱うために,変圧器の早期に不確実な特徴を抑圧する特徴変調を提案する。
  論文  参考訳（メタデータ） (2026-03-28T10:29:07Z)
• IGGT: Instance-Grounded Geometry Transformer for Semantic 3D Reconstruction [82.53307702809606]
  人間は自然に3次元世界の幾何学的構造と意味的内容を中間次元として知覚する。 本稿では,空間再構成とインスタンスレベルの文脈理解の両面での知識を統合するために,IGGT (InstanceGrounded Geometry Transformer) を提案する。
  論文  参考訳（メタデータ） (2025-10-26T14:57:44Z)
• iLRM: An Iterative Large 3D Reconstruction Model [34.69940725179257]
  本稿では,反復的改良機構を用いて3次元ガウス表現を生成する反復的大規模3次元再構成モデル(iLRM)を提案する。 RE10KやDL3DVといった広く使われているデータセットの実験結果から、iLRMは復元品質と速度の両方で既存の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-07-31T06:33:07Z)
• High-Fidelity and Generalizable Neural Surface Reconstruction with Sparse Feature Volumes [50.83282258807327]
  一般化可能なニューラルサーフェス再構成は、シーンごとの最適化なしに、少数の画像から再構成するための魅力的な技術となっている。 本稿では,メモリ効率を最大化し,標準ハードウェア上での高分解能再構成を可能にするスパース表現法を提案する。
  論文  参考訳（メタデータ） (2025-07-08T12:50:39Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• Low-Resource Video Super-Resolution using Memory, Wavelets, and Deformable Convolutions [3.018928786249079]
  ビデオスーパーレゾリューション(VSR)は、リソース制約のあるエッジデバイスへのデプロイにおいて、依然として大きな課題である。 本稿では,230万のパラメータで最先端の再現精度を実現する,VSRのための新しい軽量かつパラメータ効率のニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-03T20:46:15Z)
• FIRe: Fast Inverse Rendering using Directional and Signed Distance Functions [97.5540646069663]
  指向性距離関数(DDF)と呼ばれる新しいニューラルシーン表現を導入する。 DDFは単位球上で定義され、任意の方向に沿って表面までの距離を予測する。 提案手法はDDFに基づいて,提案した深度マップから3次元形状を再構成する高速アルゴリズム (FIRe) を提案する。
  論文  参考訳（メタデータ） (2022-03-30T13:24:04Z)

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。