論文の概要: GPA-VGGT: Geometry-Preserving Acceleration of VGGT

• arxiv url: http://arxiv.org/abs/2610.37000v2
• Date: Wed, 28 Oct 2026 08:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.52449
• Title: GPA-VGGT: Geometry-Preserving Acceleration of VGGT
• Title（参考訳）: GPA-VGGT:VGGTの幾何保存加速
• Abstract要約: VGGTは、カメラパラメータ、深度マップ、ポイントマップを1つの前方パスで1から数百ビューから復元する。 GPA-VGGTは、初期ブロックにおけるグローバルな注意をクロスフレームK/Vで強化したフレームアテンションに置き換える訓練自由加速法である。 GPA-VGGTは、正確な幾何推定に必要な情報を保存しながら、事前の作業に匹敵するスピードアップでトレーニング不要の加速を提供する。
• 参考スコア（独自算出の注目度）: 7.473024306249136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward geometry models such as VGGT recover camera parameters, depth maps, and point maps from one to hundreds of views in a single forward pass, making them powerful backbones for multi-view 3D perception. However, VGGT's global attention is quadratic in the number of frames and dominates end-to-end runtime on long sequences, which has motivated a range of training-free efficiency methods such as token merging. These methods, however, come with a drop in accuracy that makes them hard to use in place of VGGT. We propose GPA-VGGT, a training-free acceleration method that replaces global attention in early blocks with frame attention augmented by a shared cross-frame K/V set. In the remaining blocks, we merge only keys and values while preserving all queries, restore the attention mass of the tokens each merged key represents, and randomly project the matching metric to 128 dimensions to reduce matching cost. Across diverse multi-view geometry tasks, GPA-VGGT provides training-free acceleration at speedups comparable to prior work while preserving the information required for precise geometric estimation, retaining over 99% of VGGT's pose accuracy under AUC@3.
• Abstract（参考訳）: VGGTのようなフィードフォワード幾何学モデルは、カメラパラメータ、深度マップ、ポイントマップを1つの前方パスで1から数百のビューから回収し、マルチビュー3D知覚のための強力なバックボーンとなる。 しかしながら、VGGTのグローバルな関心はフレーム数において2次的であり、長いシーケンス上のエンドツーエンドランタイムを支配しており、トークンマージのようなトレーニング不要な効率的な手法を動機付けている。 しかし、これらの手法には精度の低下があり、VGGTの代わりに使うのが難しくなっている。 GPA-VGGTは、初期ブロックにおけるグローバルな注意を、共有フレームのK/V集合によって強化されたフレームアテンションに置き換える訓練自由加速法である。 残りのブロックでは、全てのクエリを保存しながらキーと値のみをマージし、各マージされたキーが示すトークンの注目質量を復元し、マッチするメトリックを128次元にランダムに投影し、マッチングコストを削減する。 GPA-VGGTは多様な多視点幾何タスク全体にわたって、事前の作業に匹敵するスピードアップでトレーニング不要な加速度を提供し、正確な幾何推定に必要な情報を保存し、AUC@3の下でのVGGTのポーズ精度の99%以上を保持する。

関連論文リスト

• BlazeVGGT: 13x Faster VGGT at 2,000 Frames via Camera Token without Training [16.34277180965353]
  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。
  論文  参考訳（メタデータ） (2026-10-21T09:11:19Z)
• 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)
• 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)
• 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)
• GPA-VGGT:Adapting VGGT to Large Scale Localization by Self-Supervised Learning with Geometry and Physics Aware Loss [15.633839321933385]
  近年のVisual Geometry Grounded Transformer (VGGT) モデルの進歩は、カメラのポーズ推定と3次元再構成において大きな可能性を秘めている。 これらのモデルは通常、トレーニングのために真実のラベルを頼りにしており、ラベルのない、目に見えないシーンに適応する際の課題を提起している。 本稿では,VGGTをラベルのないデータで訓練する自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-23T16:46:59Z)
• 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)
• Quantized Visual Geometry Grounded Transformer [67.15451442018258]
  本稿では,VGGTの最初の量子化フレームワーク,すなわちQuantVGGTを提案する。 球状前アダマール回転と局所流路平滑化を統合したDual-Smoothed Fine-Grained Quantizationを導入する。 また、重層統計量を用いて外周をフィルタするノイズフィルタディバースサンプリングを設計する。
  論文  参考訳（メタデータ） (2025-09-25T15:17:11Z)
• FastVGGT: Training-Free Acceleration of Visual Geometry Transformer [83.67766078575782]
  VGGTは最先端のフィードフォワード視覚幾何学モデルである。 本稿では,VGGTの高速化のためのトレーニングフリーメカニズムを用いて,3次元領域におけるトークンのマージを利用したFastVGGTを提案する。 1000の入力画像により、FastVGGTはVGGTの4倍の高速化を実現し、長いシーケンスシナリオにおけるエラーの蓄積を緩和する。
  論文  参考訳（メタデータ） (2025-09-02T17:54:21Z)

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。