論文の概要: MVLoMa: Multi-View Local Feature Matching with Any Geometry Foundation Model
- arxiv url: http://arxiv.org/abs/2610.31321v1
- Date: Thu, 22 Oct 2026 14:12:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.401906
- Title: MVLoMa: Multi-View Local Feature Matching with Any Geometry Foundation Model
- Title（参考訳）: MVLoMa: 任意の幾何学基礎モデルとマルチビューの局所的特徴マッチング
- Abstract要約: MVLoMaは、画像ペアから複数のビューまでLoMaを拡張するスパース・スターグラフ・マーカである。
マーカは24中心近傍のエッジのシーケンシャルな評価よりも2.20倍速い。
- 参考スコア（独自算出の注目度）: 13.431490979891143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local feature matching is typically formulated for image pairs, although structure-from-motion and visual localization commonly match one reference image against many retrieved or covisible neighbours. Applying a pairwise matcher independently to these centre-neighbour edges duplicates reference-side computation and prevents the matcher from exploiting complementary multi-view geometric evidence from the remaining observations. To address these limitations, we introduce MVLoMa, a sparse star-graph matcher that extends LoMa from image pairs to multiple views. MVLoMa first uses a frozen multi-view geometry model to jointly describe all images in a star, then injects the resulting cross-view geometric context into local descriptors. It then matches the centre image to all neighbours in a single forward pass through per-view self-attention and bidirectional centre-neighbour cross-attention. For supervision, we derive positive correspondences only from depth-valid, mutually visible dense warps and explicitly penalize high-confidence matches that violate epipolar geometry. On 25-view star graphs from HyperSim, ScanNet++, Mip-NeRF 360, and Tanks and Temples, MVLoMa obtains the best macro-average relative-pose AUC among the compared methods at all three thresholds (58.65/85.41/90.99). Its matcher is 2.20 times faster than sequential evaluation of the 24 centre-neighbour edges. The same design supports four tested frozen geometry encoders -- DA3, $π^3$, VGGT, and VGGT-$Ω$ -- with DA3-Giant performing best on all reported encoder-ablation metrics. Controlled ablations further isolate the effects of geometry-aware descriptors, visibility filtering, geometric negative supervision, and joint multi-view inference.
- Abstract（参考訳）: 局所的特徴マッチングは通常、画像対に対して定式化されるが、構造的移動と視覚的局所化は、通常、1つの参照画像と多くの検索または確認可能な隣人とのマッチングが一致する。
これら中心近傍のエッジにペアワイズ・マーカを独立に適用することは、参照側計算を重複させ、マーカが残りの観測から補完的な多視点幾何学的証拠を利用するのを防ぐ。
これらの制約に対処するために、画像ペアから複数のビューへLoMaを拡張するスパース・スターグラフ・マーカであるMVLoMaを導入する。
MVLoMaは、まず凍結した多視点幾何学モデルを使用して、星内の全ての画像を共同で記述し、その結果のクロスビュー幾何学的コンテキストを局所的な記述子に注入する。
センターイメージは、ビューごとの自己注意と双方向のセンター隣のクロスアテンションを通り抜ける1つのフォワードパスで、すべての隣人に一致します。
監督のために、我々は、深度係数、相互に見える高密度のワープのみから正の対応を導き、エピポーラ幾何学に反する高信頼マッチを明示的に罰する。
HyperSim, ScanNet++, Mip-NeRF 360, Tanks and Temples の25ビューの星グラフでは、MVLoMa は3つのしきい値 (58.65/85.41/90.99) で比較した手法の中で、マクロ平均相対値 AUC が最高である。
マーカは24中心近傍のエッジのシーケンシャルな評価よりも2.20倍速い。
DA3、$π^3$、VGGT、およびVGGT-$Ω$の4つのテストされた凍結幾何エンコーダをサポートしており、DA3-Giantは報告されたすべてのエンコーダ-アブレーションメトリクスで最高の性能を発揮する。
制御されたアブレーションにより、幾何学的認識記述子、可視的フィルタリング、幾何学的負の監督、共同多視点推論の影響はさらに分離される。
関連論文リスト
- DK-VLM: Geometry as Position for Spatial Reasoning in Vision-Language Models [79.20430197755103]
視覚言語モデルは、視界を横切る3次元空間関係を理解し、観察者が動くにつれて空間判断を更新するのに依然として苦労している。
本稿では,視覚トークンの入力位置とシーン内の幾何学的位置の両方から注目度を算出するDK-VLMを提案する。
論文 参考訳（メタデータ） (2026-10-15T17:58:15Z) - GeoMAD: Geometry-Aware Multi-View Anomaly Detection via Deformable Fusion and Distributional Alignment [32.33973839948303]
マルチビュー異常検出(MvAD)は、複数のカメラ視点からの相補的な観察を利用して欠陥を検出する。
既存の方法は通常2つの極端に該当する: ボクセルベースの融合は明示的な幾何学的アライメントを提供するが、コストがかかる3次元構造とクラス固有の仮定を必要とする。
幾何対応の不整合と分布不整合の両方に対処する統合多視点多クラスADフレームワークGeoMADを提案する。
論文 参考訳（メタデータ） (2026-08-27T07:15:15Z) - MuViSeg: Multi-View Segment Correspondences from Dense Geometry Priors [2.4956060473718407]
凍結MASt3RディスクリプタにDoubleSoftmaxスコアを付けたLightGlueスタイルのアテンションヘッドと、プール前にVGGTファンデーションモデルから層状空間詳細を公開するDPTスタイルのマルチスケールフュージョンモジュール、そして、我々の主な貢献として、複数のビューから抽出されたセグメントに対して同時自己アテンションを行うマルチビュー拡張である。
私たちのマルチビューモデルは成功率を50%から70%に引き上げ、LightGlueスタイルのヘッドはSPLを45.7から59.1に引き上げます。
論文 参考訳（メタデータ） (2026-07-20T13:35:48Z) - SCOPE: Scale-Consistent One-Pass Estimation of 3D Geometry [69.89196162649091]
SCOPE (Scale-Consistent One-Pass Estimation of 3D Geometry) は、拡張された単眼ビデオシーケンスから3次元幾何学を推定するための新しいアプローチである。
提案手法では,アフィン不変な3次元点マップを全列に共通パラメータで生成し,一貫したスケール不変表現を実現する。
論文 参考訳（メタデータ） (2026-06-19T10:23:25Z) - A Cross-view Fusion Framework for Robust 6-DoF Grasp Pose Estimation [34.48829831555172]
クロスビュー融合フレームワークは、コーナービューにおける6-DoFグリップポーズ推定の堅牢性を高める。
本稿では,ポイントクラウドの機能の正規化にクロスビューアソシエーションを活用する,自己指導型コントラスト学習戦略を提案する。
このフレームワークは,GraspNet-1Billionベンチマークや実世界のアプリケーションで高い性能を発揮する。
論文 参考訳（メタデータ） (2026-06-05T03:45:10Z) - Geometrically Consistent Multi-View Scene Generation from Freehand Sketches [58.98194920417429]
フリーハンドスケッチは、マルチビュージェネレータを提供することができる最も幾何学的に不十分な入力である。
学習データの欠如、歪んだ2次元入力からの幾何学的推論の必要性、ビュー間の整合性という3つの複合的な課題に対処する。
本フレームワークは,参照画像,反復的精細化,シーンごとの最適化を必要とせず,単一のデノナイジングプロセスですべてのビューを合成する。
論文 参考訳（メタデータ） (2026-04-15T18:00:45Z) - MV-RoMa: From Pairwise Matching into Multi-View Track Reconstruction [14.717756921141364]
MV-RoMaは、ソース画像から複数の可視目標への密対応を推定する多視点密マッチングモデルである。
我々は、モデルが一貫したマルチビュー対応を、構造移動のための高品質トラックとして統合する後処理戦略を提案する(SfM)。
MV-RoMaは既存のスパース法や密マッチング法よりも信頼性が高く、かなり密集した3次元再構成を行う。
論文 参考訳（メタデータ） (2026-03-29T06:50:21Z) - MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation [59.75554954111619]
マルチビュー3D参照表現(MV-3DRES)を導入し、モデルがシーン構造を復元し、参照対象をスパースなマルチビュー画像から直接セグメント化する必要がある。
本稿では,言語情報をスパースビュー幾何学的推論に組み込む,効率的なエンドツーエンドフレームワークであるMultimodal Visual Geometry Grounded Transformer (MVGGT)を提案する。
実験により、MVGGTは最初の強力なベースラインを確立し、高精度かつ高速な推論を達成し、既存の選択肢よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-01-11T11:44:07Z) - C-DOG: Multi-View Multi-instance Feature Association Using Connected δ-Overlap Graphs [4.576442835703357]
C-DOG(Connected delta-Overlap Graph)は,ロバストな幾何学的特徴結合のためのアルゴリズムである。
C-DOGグラフでは、異なるビューから2D特徴点を表す2つのノードが、同じ3D点に対応する場合、エッジで接続される。
合成ベンチマークの実験では、C-DOGは幾何学ベースのベースラインアルゴリズムよりも優れているだけでなく、要求条件下でも非常に堅牢であることが示された。
論文 参考訳（メタデータ） (2025-07-18T17:23:45Z) - RANSAC-Flow: generic two-stage image alignment [53.11926395028508]
単純な教師なしのアプローチは、様々なタスクにおいて驚くほどうまく機能することを示す。
その単純さにもかかわらず、我々の手法は様々なタスクやデータセットで競合する結果を示す。
論文 参考訳（メタデータ） (2020-04-03T12:37:58Z)
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。