論文の概要: HRoPE: Homography Relative Positional Encoding
- arxiv url: http://arxiv.org/abs/2610.28284v1
- Date: Tue, 20 Oct 2026 14:36:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.856371
- Title: HRoPE: Homography Relative Positional Encoding
- Title（参考訳）: HRoPE: ホログラフィーの相対的位置エンコーディング
- Abstract要約: 本稿では,各パッチの局所的形状をスライスした3次元平面として表現するHRoPEを紹介する。
RealEstate10K, CO3Dv2, DL3DVによる実験により, 我々のHRoPEの最良の変種は、新しいビューのための評価された幾何符号化よりも一貫して優れていることが示された。
- 参考スコア（独自算出の注目度）: 53.439086049683446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometric Relative Positional Encoding has become the primary mechanism for injecting spatial inductive biases into multi-view transformers. Existing designs condition attention on camera-level frustums or ray-marched depth, associating cross-view tokens through the sensor geometry. Such sensor-centric formulations, however, describe only where a token is observed from, leaving the rich surface geometry of the scene region depicted by the token. In this paper, we advocate a shift toward surface-aware positional encoding that explicitly grounds patch tokens in the geometry of physical surfaces. We introduce HRoPE, which represents the local geometry of each patch as a slanted 3D plane, following the slanted support-window assumption of classical multi-view stereo. We inject token-level, plane-induced homographies into attention as relative transformations. This equips the transformer with a geometric prior for rectifying perspective distortions and aligning patch features across viewpoints. Our encoding requires no ground-truth geometry: the plane parameters can be predicted end-to-end under a view-synthesis objective alone, or derived from foundation models. Extensive experiments on RealEstate10K, CO3Dv2, and DL3DV show that our best variant of HRoPE consistently outperforms the evaluated geometric positional encodings for novel view synthesis. Extensive ablations and analysis show the effectiveness of the proposed encoding. Please refer to our project page at: https://gaohchen.github.io/HRoPE
- Abstract（参考訳）: 幾何学的相対的位置エンコーディングは、空間帰納バイアスを多視点変換器に注入する主要なメカニズムとなっている。
既存の設計ではカメラレベルのフラストラムやレイマードの深さに注意を払っており、センサー幾何学を通してクロスビュートークンを関連づけている。
しかし、このようなセンサ中心の定式化は、トークンが観測される場所のみを記述し、トークンによって描かれたシーン領域のリッチな表面形状を残している。
本稿では,物理面の幾何学において,パッチトークンを明示的に根拠とする表面認識位置符号化へのシフトを提唱する。
従来のマルチビューステレオの斜めサポートウインドウ仮定に従って,各パッチの局所幾何学を斜め3次元平面として表現するHRoPEを導入する。
我々は相対変換としてトークンレベル、平面誘起ホモグラフを注目する。
これは、視線歪みを補正し、視線を横断するパッチ特徴を整列するための幾何学的事前をトランスフォーマーに装備する。
平面パラメータは、ビュー合成目的だけでエンドツーエンドに予測したり、基礎モデルから派生したりすることができる。
RealEstate10K, CO3Dv2, DL3DVの広汎な実験により、HRoPEの最良の変種は、新しいビュー合成のために評価された幾何的位置エンコーディングよりも一貫して優れていることが示された。
大規模な短縮と解析により,提案手法の有効性が示された。
プロジェクトページは、https://gaohchen.github.io/HRoPEを参照してください。
関連論文リスト
- FLAT: Feedforward Latent Triangle Splatting for Geometrically Accurate Scene Generation [72.38727895659405]
ビデオ拡散潜水器から直接三角形スプラットをデコードするFLATを導入する。
標準的なベンチマークでは、FLATは最先端のフィードフォワードベースラインに比べて、はるかに優れた幾何学的精度を実現している。
軽量なテスト時間改善ステップにより,予測された三角形のスープが不透明でゲームエンジン対応の表現に変換されることを示す。
論文 参考訳（メタデータ） (2026-06-23T17:53:41Z) - URoPE: Universal Relative Position Embedding across Geometric Spaces [55.651792747815854]
URoPEは回転位置埋め込み(Rotary Position Embedding, RoPE)の普遍的な拡張である。
キー/値の画像パッチごとに、URoPEは事前に定義された奥行きアンカーで対応するカメラ線に沿って3Dポイントをサンプリングする。
標準2D RoPEは、投影されたピクセル座標を用いて適用することができる。
論文 参考訳（メタデータ） (2026-04-20T18:52:03Z) - GTA: A Geometry-Aware Attention Mechanism for Multi-View Transformers [63.41460219156508]
既存の位置符号化方式は3次元視覚タスクに最適であると主張する。
トークンの幾何学的構造を相対変換として符号化する幾何学的注意機構を提案する。
我々は、Geometric Transform Attention (GTA) と呼ばれる、最先端のトランスフォーマーベースNVSモデルの学習効率と性能を向上させることに留意している。
論文 参考訳（メタデータ） (2023-10-16T13:16:09Z) - Geometry-biased Transformers for Novel View Synthesis [36.11342728319563]
入力画像と関連するカメラ視点が与えられたオブジェクトの新規ビューを合成するタスクに取り組む。
我々の研究は、マルチビュー画像を(グローバル)セットラテント表現としてエンコードする最近の「幾何学自由」アプローチにインスパイアされている。
本稿では, 幾何学的帰納バイアスをセットレイト表現に基づく推論に組み込んだ「幾何学バイアス変換器」(GBT)を提案する。
論文 参考訳（メタデータ） (2023-01-11T18:59:56Z)
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。