論文の概要: CrossFit-GS: Out-of-Fold Pose Estimation for COLMAP-Free 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.28190v1
• Date: Tue, 20 Oct 2026 13:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.830551
• Title: CrossFit-GS: Out-of-Fold Pose Estimation for COLMAP-Free 3D Gaussian Splatting
• Title（参考訳）: CrossFit-GS:COLMAP-free 3D Gaussian Splattingのアウト・オブ・フォールドポーズ推定
• Abstract要約: ポースフリー3Dガウススメッティング(3DGS)は、煩雑な構造移動(SfM)を回避することを目的としている CrossFit-GSは累積軌道ドリフトを緩和し、歪んだマップエラーの自己回帰ループを破る。 CrossFit-GSは、既存の方法よりもカメラポーズ推定とノベルビュー合成の両方を一貫して改善する。
• 参考スコア（独自算出の注目度）: 10.683360547024954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pose-free 3D Gaussian Splatting (3DGS) aims to bypass cumbersome Structure-from-Motion (SfM) by directly reconstructing scenes from unposed image sequences. In this work, we present CrossFit-GS, a deferred-commitment progressive framework that mitigates cumulative trajectory drift and breaks the self-reinforcing loop of distorted-map error propagation. Specifically, we partition the input sequence into interleaved subsets and maintain two complementary submaps. Each candidate pose is cross-refined against a frozen opposite submap that has never been optimized using the target frame, thereby providing an independent geometric reference for pose estimation. Checkerboard validation and spatial coverage safeguards further reject unreliable updates, and only verified poses are committed to their corresponding owner submap. Once the trajectory has been refined, the intermediate submaps are discarded and the final global representation is trained from scratch using the fixed refined poses. Extensive evaluations across multiple benchmarks demonstrate that CrossFit-GS substantially reduces cumulative trajectory drift and consistently improves both camera pose estimation and novel-view synthesis over existing methods.
• Abstract（参考訳）: Pose-free 3D Gaussian Splatting (3DGS) は、不用意な画像シーケンスからシーンを直接再構築することで、煩雑なStructure-from-Motion (SfM) を回避することを目的としている。 本研究では、累積軌道のドリフトを緩和し、歪みマップの誤り伝播の自己抑制ループを破る遅延コミットプログレッシブフレームワークであるCrossFit-GSを提案する。 具体的には、入力シーケンスをインターリーブされたサブセットに分割し、2つの補完的なサブマップを維持する。 各候補のポーズは、ターゲットフレームを使用して最適化されていない凍結した反対のサブマップに対してクロスリフィニッシュされ、ポーズ推定のための独立した幾何学的参照を提供する。 チェッカーボードの検証と空間カバレッジの保護はさらに信頼性の低い更新を拒否し、検証されたポーズのみが対応する所有者サブマップにコミットされる。 軌道が洗練されると、中間部分写像は破棄され、最終的なグローバル表現は固定された精製されたポーズを使ってゼロから訓練される。 複数のベンチマークにおいて、CrossFit-GSは累積軌道ドリフトを大幅に低減し、カメラポーズ推定と既存手法による新規ビュー合成の両方を一貫して改善することを示した。

関連論文リスト

• From Sparse and Imperfect 2D Anchors to Consistent 3D Gaussian Street Scenes: Support-Aware Appearance [13.51195065028002]
  画像先行者は、3Dガウスのストリートシーンのターゲット条件を合成できるが、独立して編集されたビューはコヒーレントな3Dターゲットを定義しない。 このギャップに対処するため、外観焼成のために教師の相対的な外観残留蒸留を導入する。 教師アンカーとオリジナルレンダリングの間の残差により、周波数分解、信頼度推定、プリミティブレベルリフトのための構造化された空間を形成する。
  論文  参考訳（メタデータ） (2026-06-24T16:26:53Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• TrajVG: 3D Trajectory-Coupled Visual Geometry Learning [34.47385438436523]
  TrajVGは、クロスフレームな3D対応を明示する再構築フレームワークである。 擬似2次元トラックのみを用いて,同じ結合制約を自己教師対象に再構成する。 3Dトラッキング、ポーズ推定、ポイントマップ再構成、ビデオ深度による実験は、TrajVGが現在のフィードフォワードのパフォーマンスベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-04T11:13:55Z)
• FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
  FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。 当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。 包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:53Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• 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)
• Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose Estimation [63.199549837604444]
  3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。 我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。 我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
  論文  参考訳（メタデータ） (2022-04-05T03:52:57Z)
• RNNPose: Recurrent 6-DoF Object Pose Refinement with Robust Correspondence Field Estimation and Pose Optimization [46.144194562841435]
  本稿では、オブジェクトポーズ改善のためのリカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。 この問題は、推定対応フィールドに基づいて非線形最小二乗問題として定式化される。 各イテレーションにおいて、対応フィールド推定とポーズ精錬を代替して行い、正確なオブジェクトポーズを復元する。
  論文  参考訳（メタデータ） (2022-03-24T06:24:55Z)

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。