論文の概要: Hybrid Mamba-Transformer Network for Single-Shot 3D Reconstruction from Fringe Patterns

• arxiv url: http://arxiv.org/abs/2610.33988v1
• Date: Sun, 25 Oct 2026 01:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.513561
• Title: Hybrid Mamba-Transformer Network for Single-Shot 3D Reconstruction from Fringe Patterns
• Title（参考訳）: フランジパターンを用いたシングルショット3次元再構成のためのハイブリッドマンバ変圧器ネットワーク
• Abstract要約: マムバ変圧器のハイブリッドネットワークは高さ回帰のために提案されている。 このネットワークは、SwinベースのU字型アーキテクチャを採用し、中間解像度エンコーダの段階で視覚状態空間モデリングを導入する。 一般に公開されているFPPデータセットの実験では、提案手法は平均絶対誤差(MAE)、ルート平均二乗誤差(RMSE)、絶対相対誤差、構造類似度指数測定(SSIM)においてhNet, SwinConvUNet, UHRNet, HiDNetよりも優れていた。
• 参考スコア（独自算出の注目度）: 2.991715682679986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning facilitates rapid single shot three dimensional (3D) reconstruction using fringe projection profilometry (FPP), but recovering accurate surface height from a single high frequency fringe image remains challenging because both long-range spatial consistency and fine geometric details must be preserved. Convolutional networks are limited in modeling long range dependencies, whereas window-based Transformers establish global interactions only progressively with increasing depth. To address these limitations, a hybrid Mamba Transformer network is proposed for fringe to height regression. The network adopts a Swin based U shaped architecture and introduces visual state space modeling at the intermediate resolution encoder stage. An axial and dilated vision state space (ADVSS) block is further developed to enhance prescan feature encoding through local, dilated, and axial depthwise convolutions while retaining four directional selective scanning. This design combines linear complexity long range modeling with direction aware preservation of local fringe structures. Experiments on a publicly available FPP dataset show that the proposed method outperforms hNet, SwinConvUNet, UHRNet, and HiDNet in mean absolute error(MAE), root mean square error (RMSE), absolute relative error, and structural similarity index measure (SSIM). Using only one deformed fringe image, the proposed method achieves an RMSE of 0.548 mm and an SSIM of 0.9985, reducing RMSE by 65.2% and 59.6% relative to UHRNet and HiDNet, respectively. These results demonstrate the effectiveness of combining selective state space modeling with hierarchical window based attention for accurate single-shot FPP reconstruction.
• Abstract（参考訳）: 深層学習は、フリンジプロファイロメトリー(FPP)を用いて高速な単発3次元再構成を促進するが、長距離空間の整合性や細かな幾何学的詳細を保存しなければならないため、単一高周波フリンジ画像から正確な表面高さを復元することは困難である。 畳み込みネットワークは長距離依存のモデリングに限られるが、ウィンドウベースのトランスフォーマーは、深度の増加とともにグローバルな相互作用を徐々に確立する。 これらの制約に対処するため,ハイトレグレッションに対してハイブリッドなMamba Transformerネットワークを提案する。 このネットワークは、SwinベースのU字型アーキテクチャを採用し、中間解像度エンコーダの段階で視覚状態空間モデリングを導入する。 さらに, 4方向選択的走査を維持しつつ, 局所的, 拡張的, 軸方向の奥行きの畳み込みを通したプリスキャン特徴の符号化を強化するために, 軸方向及び拡張的視状態空間(ADVSS)ブロックを開発した。 この設計は、線形複雑性の長距離モデリングと、局所的な縁構造を指向的に保存することを組み合わせたものである。 一般に公開されているFPPデータセットの実験では、提案手法は平均絶対誤差(MAE)、ルート平均二乗誤差(RMSE)、絶対相対誤差、構造類似度指数測定(SSIM)においてhNet, SwinConvUNet, UHRNet, HiDNetよりも優れていた。 提案手法は1つの変形縁画像のみを用いて0.548mmのRMSEと0.9985のSSIMを達成し,それぞれUHRNetとHiDNetに対して65.2%,59.6%のRMSEを削減した。 これらの結果は、選択状態空間モデリングと階層型ウィンドウベースアテンションを組み合わせることで、正確な単発FPP再構成の有効性を示す。

関連論文リスト

• Robust structure from motion for aerial-ground images via detector-free feature matching and multi-view track refinement [15.28970239781579]
  地上画像からの総合的な3次元再構成は,高精度な都市3次元モデル作成に不可欠である。 本研究は、回転ロバスト検出器レスマッチングネットワークと多視点トラックリファインメントを併用して、運動からのインクリメンタル構造(ISfM)を提案する。 実地における実際のデータセットを用いて,提案手法がLoFTRと比較して,AUCの5ポーズ誤差を93.9%改善することを示した。
  論文  参考訳（メタデータ） (2026-08-15T14:16:02Z)
• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
  入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T14:14:17Z)
• Hierarchical Awareness Adapters with Hybrid Pyramid Feature Fusion for Dense Depth Prediction [9.96771578356719]
  既存のアプローチは、深度マップを回帰するために、ますます複雑なネットワークアーキテクチャに依存している。 本論文では,Swin Transformerのバックボーン上に構築したマルチレベル条件付きランダムフィールド(CRF)モデルを提案する。 本稿では,Abs Relを0.088ドル(約7.4%)に,RMSEを0.316ドル(約5.4%)に削減し,ほぼ完全なしきい値精度を実現した。
  論文  参考訳（メタデータ） (2026-04-03T07:59:26Z)
• Compressive sensing inspired self-supervised single-pixel imaging [48.79613794195208]
  SISTA-Netは、単画素イメージングのための圧縮センシングインスパイアされた自己教師方式である。 我々は、適応スパース変換と学習可能なソフトスレッショルド演算子を組み合わせることで、潜伏領域に明示的な物理的間隔を課すために、ディープ非線形ネットワークを利用する。 複数のシミュレーションシナリオの実験では、SISTA-NetはPSNRの2.6dBで最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2026-03-31T13:31:43Z)
• RepSFNet : A Single Fusion Network with Structural Reparameterization for Crowd Counting [6.895355763564631]
  RepSFNetは、正確でリアルタイムな群衆推定のために設計された軽量アーキテクチャである。 RepSFNetは、最近の最先端の手法と比較して、推論遅延を最大34%削減しながら、競争精度を達成している。
  論文  参考訳（メタデータ） (2026-01-28T08:33:36Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• FOF-X: Towards Real-time Detailed Human Reconstruction from a Single Image [64.96903230497755]
  本稿では,1枚の画像から詳細な人物形状をリアルタイムに再現するFOF-Xを提案する。 FOFの中核は、3次元占有体を2次元ベクトル場に分解し、3次元領域内の位相的および空間的関係を維持することである。 FOFに基づく新しい再構成フレームワークFOF-Xを設計し,テクスチャや照明による性能劣化を回避する。
  論文  参考訳（メタデータ） (2024-12-08T14:46:29Z)
• Double-Shot 3D Shape Measurement with a Dual-Branch Network for Structured Light Projection Profilometry [14.749887303860717]
  我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。 PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。 提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できる。
  論文  参考訳（メタデータ） (2024-07-19T10:49:26Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)

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。