論文の概要: Does VGGT Know What It Does Not Know?

• arxiv url: http://arxiv.org/abs/2610.35806v1
• Date: Mon, 26 Oct 2026 17:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.129854
• Title: Does VGGT Know What It Does Not Know?
• Title（参考訳）: VGGTは知らないことを知っているのか?
• Abstract要約: VGGTレグレスカメラやジオメトリなどの3次元再構成モデルは、単一の前方通過で行う。 1000の意図的に難しいイメージペアのベンチマークであるHardMatchでは、VGGTの凍結機能に関する線形プローブが、保持されたカテゴリの失敗を予測している。 私たちは、VGGTが報告するよりも、自身の失敗についてもっと知っていることに気付きました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward 3D reconstruction models such as VGGT regress cameras and geometry in a single forward pass, but they report no uncertainty for the camera poses they predict: an incorrect relative pose looks no different from a correct one. We ask whether the frozen model nonetheless knows when its pose is wrong. On HardMatch, a benchmark of 1,000 deliberately difficult image pairs on which VGGT fails on 35% of pairs, a linear probe on VGGT's frozen features predicts pose failure on held-out categories with ROC-AUC 93.5%, compared with 79.7% for VGGT's own point-map confidence and 77.7% for a classifier trained on all of VGGT's outputs. The probe catches failures VGGT is confident about, lets a downstream system abstain on the pairs it distrusts, and transfers without retraining to rotation failures on PhotoTourism and ScanNet-1500, beyond what co-visibility explains. This knowledge is absent from the per-image encoder: it is computed partway through the layers that fuse the two views, and the same holds for a second model, $π^3$. In essence, we find that VGGT knows more about its own failures than it reports.
• Abstract（参考訳）: VGGTレグレスカメラのようなフィードフォワード3D再構成モデルとジオメトリを1つの前方通過で行うが、カメラのポーズが予測する不確実性は報告されていない。 にもかかわらず、凍結したモデルがいつそのポーズが間違っているかを尋ねる。 VGGTが35%のペアで失敗する1000の困難なイメージペアのベンチマークであるHardMatchでは、VGGTの凍結された特徴に対する線形プローブは、ROC-AUC 93.5%で保持されたカテゴリの失敗を予測し、VGGT自身のポイントマップの信頼度は79.7%、VGGTの出力をトレーニングした分類器は77.7%である。 探査機は、VGGTが確信している故障をキャッチし、下流のシステムが不信なペアを排除し、PhotoTourismとScanNet-1500の回転障害に再トレーニングすることなく転送する。 この知識はイメージ単位のエンコーダには欠落しており、2つのビューを融合する層を通して部分的に計算され、2番目のモデルである$π^3$も同様である。 本質的には、VGGTは報告するよりも、自身の失敗をよく知っている。

関連論文リスト

• Frame-Consistent Feed-Forward 3D Gaussian Splatting from Sparse Unposed Images [0.9453554184019107]
  フィードフォワードガウスビュー合成における2段階のアプローチを提案する。 その結果、アライメント後の回転誤差は小さく、翻訳スケールは大きなデータセット一貫性因子によってオフセットされることがわかった。 これらの修正により、凍ったTokenGSを駆動する冷凍VGGTは、COLMAP参照の0.51dB以内で22.47PSNRを達成した。
  論文  参考訳（メタデータ） (2026-10-16T07:15:54Z)
• Composition, Not Conversation: VLMs Lose the Scene, Not the Thread [52.53349894973919]
  視覚言語モデル(VLM)は、収穫、分割、回収、あるいは時間とともに明らかにされる視覚的証拠に対して、ますます理にかなっている。 93のシーンと300の質問があるLayered-VQAを紹介します。 各画像は順序付けされたRGBA層に分解され、元のシーンを正確に再構成する。
  論文  参考訳（メタデータ） (2026-09-29T18:29:43Z)
• RoMa-$Ω$: What Feed-Forward 3D Models Know About Image Matching [31.653720177504795]
  フィードフォワード再構成モデルは線形探索と完全マッチングパイプラインに対して強力な表現を提供することを示す。 私たちは、DINOのバックボーンをVGGT-$$に置き換えることで、RoMa v2をトレーニングします。 得られたモデルである我々のモデルは、幅広いベンチマークで最先端のマーカよりも優れています。
  論文  参考訳（メタデータ） (2026-09-08T22:50:46Z)
• HalluPrism: When Multimodal Uncertainty Should Diagnose, Not Decide [18.50218795316691]
  本稿では,視覚的劣化,空白画像の置き換え,接地・関係チェックの後に回答を再実行する行動診断法であるHaluPrismを提案する。 これらのターゲットプローブは、視覚的摂動感度、画像除去された信頼性保持、グラウンドディング/リレーショナル-プローブ不安定性に対するシグネチャを与える。
  論文  参考訳（メタデータ） (2026-08-29T11:06:37Z)
• Uncertainty Quality of VGGT: An Analysis on the DTU Benchmark Dataset [8.99398258312882]
  VGGTは、シーンの複数の画像から直接、カメラのポーズ、深度マップ、密集した3D構造を数秒で予測する。 フォトグラメトリでは、リアルタイム、スケーラブル、そしてアクセス可能な3D再構成の新たな可能性を開く。 本稿では,VGGTの不確実性予測の品質について検討する。
  論文  参考訳（メタデータ） (2026-06-15T09:49:00Z)
• 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)
• 6DAttack: Backdoor Attacks in the 6DoF Pose Estimation [15.592520435073602]
  6DoFのポーズ推定は、ロボット工学、AR/VR、自律システムで広く使われている。 バックドア攻撃は重大なセキュリティリスクを引き起こす。 本稿では,3次元オブジェクトトリガを用いた誤ったポーズを誘発するフレームワークである6DAttackを提案する。
  論文  参考訳（メタデータ） (2025-12-22T05:49:57Z)
• DriveVGGT: Visual Geometry Transformer for Autonomous Driving [50.5036123750788]
  DriveVGGTは、自動運転データ用に特別に設計された、スケール対応の4D再構成フレームワークである。 マルチカメラ映像を個別に処理するための時間的ビデオアテンション(TVA)モジュールを提案する。 そこで本研究では,正規化された相対ポーズ埋め込みによるウィンドウアテンションを実現するため,マルチカメラ・コンセントレンシ・アテンション(MCA)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-11-27T09:40:43Z)
• POCO: 3D Pose and Shape Estimation with Confidence [99.91683561240549]
  我々は,HPSレジストレーターをトレーニングする新しいフレームワークPOCOを開発し,人体だけでなく,その信頼性も評価した。 具体的には、POCOは3Dボディポーズとサンプルごとのばらつきの両方を推定する。 あらゆるケースにおいて、不確実性について推論するためにネットワークをトレーニングすることは、より正確に3Dのポーズを推定するのに役立つ。
  論文  参考訳（メタデータ） (2023-08-24T17:59:04Z)
• Estimating more camera poses for ego-centric videos is essential for VQ3D [70.78927854445615]
  我々は,エゴセントリックなビデオカメラのポーズ推定問題に対する新たなパイプラインを構築した。 VQ3Dの総成功率は25.8%で、ベースラインで報告された8.7%よりも2倍高い。
  論文  参考訳（メタデータ） (2022-11-18T15:16:49Z)
• How good are deep models in understanding the generated images? [47.64219291655723]
  オブジェクト認識と視覚的質問応答タスクのために、生成画像の2つのセットを収集する。 オブジェクト認識では、10の最先端オブジェクト認識モデルのうち最高のモデルが、約60%と80%のトップ-1とトップ5の精度を達成する。 VQAでは、50の画像で241のバイナリ質問に回答すると77.3%のスコアが与えられる。
  論文  参考訳（メタデータ） (2022-08-23T06:44:43Z)

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。