論文の概要: Latent Bridge: From Video Latents to 3D Geometry via Feature Alignment

• arxiv url: http://arxiv.org/abs/2610.28521v1
• Date: Tue, 20 Oct 2026 16:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.937986
• Title: Latent Bridge: From Video Latents to 3D Geometry via Feature Alignment
• Title（参考訳）: ラテントブリッジ:ビデオラテントから特徴アライメントによる3D幾何学へ
• Abstract要約: ラテントブリッジは、ビデオラテント空間と幾何学的特徴空間を接続し、ビデオラテントから3次元幾何学を直接予測する。 我々は,Wan2.1とV-RAEの表現特化ブリッジを開発し,中間RGB経路を使わずに,カメラ,奥行き,3次元点雲のフィードフォワード予測を可能にする。
• 参考スコア（独自算出の注目度）: 42.927139409579866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video generation and feed-forward 3D reconstruction typically use separate representations, requiring RGB decoding and visual re-encoding to recover geometry from generated latents. We propose Latent Bridge, which connects video generative latent spaces with geometric feature spaces to directly predict 3D geometry from video latents. We develop representation-specific bridges for Wan2.1 and V-RAE, enabling feed-forward prediction of cameras, depth, and 3D point clouds without the intermediate RGB pathway. Each bridge is trained on RGB videos through feature distillation, while the video encoder and geometry model remain frozen. Training requires neither ground-truth geometry nor execution of the downstream geometric aggregator or prediction heads. At inference, the same video latents support both RGB decoding and geometry prediction. The same trained bridge can be reused for image-to-video and text-to-video generation within the same video latent space, without bridge retraining. Experiments on Co3Dv2 and WildRGB-D demonstrate competitive geometric reconstruction quality, efficient end-to-end generation and reconstruction, and faster latent-to-geometry decoding, highlighting latent alignment as a practical and reusable interface between video generation and 3D reconstruction. Our code is available at: https://github.com/hustvl/Latent-Bridge.
• Abstract（参考訳）: ビデオ生成とフィードフォワード3D再構成は、通常別の表現を使用し、生成した潜時から幾何を復元するためにRGB復号と視覚的復号を必要とする。 本稿では,映像生成潜在空間と幾何学的特徴空間を接続し,映像生成潜在空間から3次元幾何学を直接予測するラテントブリッジを提案する。 我々は,Wan2.1とV-RAEの表現特化ブリッジを開発し,中間RGB経路を使わずに,カメラ,奥行き,3次元点雲のフィードフォワード予測を可能にする。 それぞれのブリッジは機能蒸留によってRGBビデオで訓練されるが、ビデオエンコーダと幾何学モデルは凍結されている。 トレーニングでは、地平線幾何学や下流の幾何学的アグリゲータや予測ヘッドの実行は必要としない。 推論では、同じビデオラテントがRGBデコードと幾何予測の両方をサポートする。 同じトレーニングされたブリッジは、ブリッジの再トレーニングなしで、同じビデオ潜在空間内で、画像からビデオ、テキスト、ビデオ生成のために再利用することができる。 Co3Dv2とWildRGB-Dの実験では、競合する幾何的再構成の品質、効率的なエンドツーエンド生成と再構成、より高速な潜時-幾何学デコーディングが示され、ビデオ生成と3D再構成の間の実用的で再利用可能なインターフェースとして、潜時アライメントが強調された。 私たちのコードは、https://github.com/hustvl/Latent-Bridge.comで利用可能です。

関連論文リスト

• VGGA: Geometry-Grounded Autoencoder for Video Generation [37.30833815190605]
  TextbfGAVGは、幾何学的制約を再構成プロセスに明示的に組み込んだ幾何学的ビデオオートエンコーダである。 VGGAは、幾何中心領域と人動領域の両方において、ビデオ生成を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-10-12T05:34:57Z)
• GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation [79.28580044574306]
  本稿では,知覚と生成の共通基盤として,コンパクトな幾何学ネイティブな潜在空間を提案する。 我々は、このシフトを幾何学ネイティブオートエンコーダ(GAE)で実現し、その潜伏線は外観、深度、カメラ、点マップに共起可能である。
  論文  参考訳（メタデータ） (2026-09-21T17:56:25Z)
• Bi-FlowGS: Bridging Generative View Completion and Gaussian Geometry through Bidirectional Flow Co-Refinement [19.069154285969745]
  生成的ビュー補完とガウス幾何正規化の橋渡しに光フローを用いたBi-FlowGSを提案する。 V2Gは復元されたビデオからガウス幾何学への時間的対応を蒸留し、幾何加熱を緩和する。 G2Vは現在の3DGS形状を使って時間的に一貫したビデオ復元を誘導し、より信頼性の高い生成監督を提供する。
  論文  参考訳（メタデータ） (2026-09-15T11:47:35Z)
• GaussVid: Sparse-View Gaussian Splatting with 3D-Aware Video Diffusion Priors [14.045684695919116]
  3DGSは、合成において顕著な成功を収めたが、スパースビュー下での再構成は、しばしば顕著な成果を上げている。 本稿では,スパース3DGSの再生品質を向上させるために,新しい3D対応ビデオ復元フレームワークを提案する。 提案手法は,PSNR/SSIM(Pixel- and Structure-level fidelity)を最適に実現し,マルチビューの整合性を向上させる。
  論文  参考訳（メタデータ） (2026-08-22T08:47:29Z)
• 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)
• VideoWeave: Unlocking Geometric Consistency in Video Generation via Joint Geometry-Video Modeling [49.98112719317813]
  ビデオ拡散モデルは、時間とともに3D構造を保存できないことが多い。 既存の手法は通常、明示的な幾何再構成を用いて幾何整合を強制する。 我々は,暗黙的幾何モデルを用いて生成分布を制約する潜在空間後学習フレームワークであるVideoWeaveを提案する。
  論文  参考訳（メタデータ） (2026-06-12T06:41:13Z)
• VIST3A: Text-to-3D by Stitching a Multi-view Reconstruction Network to a Video Generator [69.72818094722186]
  テキスト・ビデオ・ジェネレータは「デコーダ」として3次元再構成システムと組み合わせることができる 私たちは、VIST3Aという、まさにそれを行う一般的なフレームワークを紹介します。 ビデオジェネレータと3次元再構成モデルを用いたVIST3A手法の評価を行った。
  論文  参考訳（メタデータ） (2025-10-15T11:55:08Z)
• RayTran: 3D pose estimation and shape reconstruction of multiple objects from videos with ray-traced transformers [41.499325832227626]
  RGBビデオからの多目的3D再構成のためのトランスフォーマーベースニューラルネットワークアーキテクチャを提案する。 我々は、画像形成過程に関する知識を活用して、注意重み行列を著しく分散させる。 従来の手法と比較して、アーキテクチャは単一ステージであり、エンドツーエンドのトレーニングが可能である。
  論文  参考訳（メタデータ） (2022-03-24T18:49:12Z)

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。