論文の概要: BlazeVGGT: 13x Faster VGGT at 2,000 Frames via Camera Token without Training

• arxiv url: http://arxiv.org/abs/2610.29454v1
• Date: Wed, 21 Oct 2026 09:11:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.239115
• Title: BlazeVGGT: 13x Faster VGGT at 2,000 Frames via Camera Token without Training
• Title（参考訳）: BlazeVGGT:訓練無しで2000フレームで13倍高速なVGGT
• Abstract要約: BlazeVGGTは、構造対応のフレームレベルのキー値スペース化のためのトレーニングフリーフレームワークである。 2,000フレームのBlazeVGGTは、VGGTよりも約13$times$高速な推論を実現している。 実験は、ポイントクラウド再構成とカメラ配置推定において、良好な精度-効率のトレードオフを示す。
• 参考スコア（独自算出の注目度）: 16.34277180965353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward visual geometry models, exemplified by VGGT, have demonstrated strong multi-view reconstruction capabilities through dense global attention. However, the resulting all-to-all cross-view computation scales quadratically with the number of input views, making long-sequence inference particularly expensive due to substantial frame-level redundancy among highly overlapping observations. We uncover a topology-first, geometry-later evolution in VGGT camera tokens: shallow-layer tokens reliably capture local view neighborhoods, whereas deeper-layer tokens progressively encode globally organized inter-view geometry. Motivated by this observation, we introduce BlazeVGGT, a training-free framework for structure-aware frame-level key--value sparsification. At each global-attention block, BlazeVGGT constructs a view-level similarity kernel from camera-token relations and employs greedy determinantal point process inference to select a compact set of mutually complementary views. The selected views constitute the key--value context, while all input frames are retained as queries. This asymmetric attention design preserves dense per-frame predictions while eliminating redundant cross-view computation, allowing our method to be directly integrated into pretrained VGGT as a plug-and-play module without parameter updates. Its advantages become increasingly pronounced with sequence length: at 2,000 frames, BlazeVGGT achieves approximately 13$\times$ faster inference than VGGT while reducing the Chamfer Distance from 0.41 to 0.32. Extensive experiments demonstrate a favorable accuracy--efficiency trade-off in point-cloud reconstruction and camera-pose estimation, compatibility with existing VGGT accelerators such as FastVGGT and LiteVGGT, and transferability to VGGT-based models including StreamVGGT and PAGE-4D. Codes are publicly available at https://github.com/MagiciannnY/BlazeVGGT.git.
• Abstract（参考訳）: VGGTで実証されたフィードフォワード視覚幾何学モデルでは,高密度なグローバルな注目を通して,強い多視点再構成能力を示している。 しかし、結果として得られる全対一のクロスビュー計算は入力ビューの数と2次的にスケールするので、高い重なり合う観測においてフレームレベルのかなりの冗長性のため、長いシーケンスの推論は特に高価である。 我々は、VGGTカメラトークンのトポロジファースト、幾何後期の進化を発見した: 浅層トークンは、局所的な視野近傍を確実に捕捉する一方、深層トークンは、グローバルに組織されたビュー間幾何を徐々にエンコードする。 そこで本研究では,フレーム単位のキー値スペーシフィケーションのためのトレーニングフリーフレームワークであるBlazeVGGTを紹介する。 各グローバルアテンションブロックにおいて、BlazeVGTはカメラとトークンの関係からビューレベル類似性カーネルを構築し、互いに補完的なビューのコンパクトなセットを選択するために、グレディ決定点プロセス推論を用いる。 選択されたビューはkey-valueコンテキストを構成し、すべての入力フレームはクエリとして保持される。 この非対称なアテンション設計は、フレーム単位の高密度な予測を保ちながら、冗長なクロスビュー計算を排除し、パラメータ更新なしでプリトレーニング済みのVGGTに直接統合することができる。 2,000フレームのBlazeVGGTは、約13$\times$VGGTよりも高速な推論を実現し、チャンファー距離を0.41から0.32に下げる。 大規模な実験では、ポイントクラウド再構成とカメラ配置推定の精度-効率のトレードオフ、FastVGGTやLiteVGGTといった既存のVGGTアクセラレータとの互換性、StreamVGGTやPAGE-4DといったVGGTベースのモデルへの転送性などが示されている。 コードはhttps://github.com/MagiciannnY/BlazeVGGT.gitで公開されている。

関連論文リスト

• VGGT-Bridge: Beyond Sequential Pose Graphs via Coarse-Stride Skip Edges [8.057566729949832]
  VGGTは、単一の前方通過の画像から密度の高い3D構造を再構成する。 チャンク・アンド・アラインなフレームワークは、長いシーケンスを重複したチャンクに分割し、局所的な再構成をポーズグラフに縫い付けることで、この問題に対処する。 本稿では,非隣接チャンクを直接拘束する長距離スキップエッジを追加したVGGT-Bridgeを提案する。
  論文  参考訳（メタデータ） (2026-10-05T16:07:04Z)
• VGGT-Prime: Compute-Adaptive Mixture-of-Heads for Efficient Visual Geometry Transformers [8.627874938566512]
  VGGT-Prime(VGGT-Prime)は、視覚幾何学変換器の計算適応型混合モデルである。 カメラのポーズ、奥行き、ポイントクラウド予測の競合性能を維持しながら、VGGTよりも8倍の推論スピードアップを達成することができる。
  論文  参考訳（メタデータ） (2026-09-20T16:22:15Z)
• What VGGT Knows About Overlap: Probing Geometric Foundation Models for Co-Visibility [14.143547667315419]
  VGGTは、創発的な行動としてコビジュアビリティを暗黙的にエンコードする。 本稿では,VGGTを冷凍するCo-VGGTについて紹介する。 Co-VisiONベンチマークでは、Co-VGGTは人間のアノテーションベースラインを上回り、以前の作業よりも25%以上のペアワイドと10%のマルチビューで改善されている。
  論文  参考訳（メタデータ） (2026-07-10T15:17:02Z)
• Diversity-aware View Partitioning for Scalable VGGT [48.654660686945526]
  VGGTは、グローバルな注目を集めた複数のビューを共同で推論することで、強力なパフォーマンスを達成する。 本稿では,多様性を意識したバランスの取れたチャンクにビューを整理する,トレーニングフリーでプラグアンドプレイな推論フレームワークを提案する。 我々のフレームワークは既存のVGGTの変種を補完し、幾何学的忠実さを犠牲にすることなくスケーラブルな多視点再構成を可能にする。
  論文  参考訳（メタデータ） (2026-07-02T08:37:56Z)
• Attention Itself Could Retrieve.RetrieveVGGT: Training-Free Long Context Streaming 3D Reconstruction via Query-Key Similarity Retrieval [86.05617542701644]
  Visual Geometry Grounded Transformer (VGGT)はスケーラブルなTransformerアーキテクチャを通じて3D再構成を行う。 StreamVGGTは因果的にストリーミングを可能にするが、KVキャッシュはフレームとともに線形に成長し、メモリオーバーフローと品質劣化を引き起こす。 本稿では、VGGTのコンテキスト構築を検索問題として定式化する、トレーニング不要なフレームワークRetrieveVGGTを提案する。
  論文  参考訳（メタデータ） (2026-05-10T16:41:54Z)
• STVG-R1: Incentivizing Instance-Level Reasoning and Grounding in Videos via Reinforcement Learning [65.36458157092207]
  視覚言語モデル(VLM)では、テキスト記述と視覚座標のミスアライメントはしばしば幻覚を引き起こす。 本稿では,座標の調整が難しい問題を回避するために,新しい視覚的プロンプトパラダイムを提案する。 本稿では,STVGの最初の強化学習フレームワークであるSTVG-R1を紹介する。
  論文  参考訳（メタデータ） (2026-02-12T08:53:32Z)
• OmniVGGT: Omni-Modality Driven Visual Geometry Grounded Transformer [48.16706802780516]
  一般的な3Dファウンデーションモデルは、多様なビジョンタスクの統合のトレンドを導い始めている。 OmniVGTは、トレーニングと推論の両方において、任意の数の補助モダリティを効果的に活用できる新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-11-13T17:59:01Z)
• Faster VGGT with Block-Sparse Global Attention [11.473406315508647]
  本稿では,高度に最適化されたブロックスパースカーネルに基づくグローバルアテンション操作の置き換えを提案する。 バックボーンの再トレーニングは不要で、VGGTと$pi3$の両方に拡張され、大きなイメージコレクションをサポートします。
  論文  参考訳（メタデータ） (2025-09-08T18:16:09Z)

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。