論文の概要: Any3R: Feedforward 3D Reconstruction from Any Camera Type

• arxiv url: http://arxiv.org/abs/2610.36150v1
• Date: Mon, 26 Oct 2026 18:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.405609
• Title: Any3R: Feedforward 3D Reconstruction from Any Camera Type
• Title（参考訳）: Any3R: あらゆるカメラタイプからフィードフォワード3Dレコンストラクション
• Abstract要約: Any3Rは、中央カメラを取り出すフィードフォワードモデルだ。 シーンごとに多くのカメラタイプを混ぜることができ、レンズごとに再トレーニングすることはない。
• 参考スコア（独自算出の注目度）: 6.038703827999032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometry foundation models recover camera poses and dense geometry from a set of images with a feed-forward network, but they expect pinhole images. That assumption is inside the backbone too: the positional encoding and the training loss both bind an image position to a direction in space, and both depend on the lens. We condition both on the dense ray field, the unit direction through every pixel, which describes any central camera without a lens type, distortion coefficients or a bound on field of view. Angular coordinates give the rotary encoding the measured ray angle of each patch, evaluated per view, and solid-angle weighting scales the point loss by the area each pixel covers on the sphere, so neither the encoding nor the supervision depends on the lens. Any3R is therefore a feed-forward model that takes any central camera, and is robust to mixing many camera types per scene, with no retraining per lens. On a benchmark of thirteen central cameras across three datasets, where every method reconstructs with its own predicted camera poses, it is the most consistently accurate method. Any3R enables scalable 3D reconstruction from heterogeneous crowdsourced and archival imagery collections sourced across diverse camera types. Project page: https://jingong-chen.github.io/Any3R/
• Abstract（参考訳）: 幾何学基礎モデルは、フィードフォワードネットワークを持つ一連の画像から、カメラのポーズと密度の高い幾何学を復元するが、ピンホール画像は期待できる。 位置符号化とトレーニング損失はどちらも画像の位置を空間の方向と結び付け、どちらもレンズに依存している。 我々は、レンズタイプ、歪み係数、視野境界のない中央カメラを記述した高密度光線場、各画素を通した単位方向の両方に条件を定めている。 角座標は、各パッチの計測された光線角を回転的に符号化し、ビュー毎に評価し、ソリッドアングル重み付けは、各ピクセルが球面に覆う領域による点損失をスケールするので、符号化も監督もレンズに依存しない。 なので、Any3Rは中央カメラを取り込むフィードフォワードモデルであり、シーンごとに多くのカメラタイプを混ぜることができ、レンズごとの再トレーニングは行わない。 3つのデータセットにわたる13の中央カメラのベンチマークでは、すべてのメソッドが予測されるカメラのポーズで再構築されるが、これは最も一貫して正確な方法である。 Any3Rは、さまざまなカメラタイプにまたがって、異質なクラウドソースとアーカイブイメージのコレクションからスケーラブルな3D再構築を可能にする。 プロジェクトページ:https://jingong-chen.github.io/Any3R/

関連論文リスト

• FLARE: Feed-forward Geometry, Appearance and Camera Estimation from Uncalibrated Sparse Views [100.45129752375658]
  FLAREは、高品質カメラのポーズと3次元幾何を、補正されていないスパースビュー画像から推定するために設計されたフィードフォワードモデルである。 本ソリューションでは,3次元構造を2次元画像平面にマッピングする上で,カメラポーズが重要なブリッジとして機能するケースケード学習パラダイムを特徴とする。
  論文  参考訳（メタデータ） (2025-02-17T18:54:05Z)
• Back to the Feature: Learning Robust Camera Localization from Pixels to Pose [114.89389528198738]
  画像と3Dモデルから正確な6-DoFのポーズを推定するシーンに依存しないニューラルネットワークPixLocを導入する。 このシステムは、粗いポーズ前の大きな環境でもローカライズできるが、スパース特徴マッチングの精度も向上する。
  論文  参考訳（メタデータ） (2021-03-16T17:40:12Z)

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。