論文の概要: Rethinking Asymmetry in Self-Supervised 3D Geometry Learning
- arxiv url: http://arxiv.org/abs/2610.42092v1
- Date: Fri, 30 Oct 2026 17:38:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.856246
- Title: Rethinking Asymmetry in Self-Supervised 3D Geometry Learning
- Title(参考訳): 自己監督型3次元幾何学学習における非対称性の再考
- Abstract要約: 自己教師付き学習は、モデルが観察するものと、それが説明しなければならないものとの間にある非対称性に依存する。
近年の手法では、カメラやシーン構造を予測し、静止画像から3次元幾何学を学習している。
我々は、この設計を、レンダリング品質ではなく、幾何学的精度で再考する。
- 参考スコア(独自算出の注目度): 47.09128385628372
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Self-supervised learning relies on asymmetry between what a model observes and what it must explain. Recent methods learn 3D geometry from unposed images by predicting cameras and scene structure, then rendering held-out views. To avoid trivial solutions, they impose this asymmetry in the input space, restricting how views interact through separate branches or masked attention. We revisit this design with geometric accuracy, rather than rendering quality, as the main objective. When a held-out view lies between context views, the context already constrains the geometry it observes. We therefore impose the asymmetry in the 3D representation space, excluding held-out views only from the reconstructed scene while a shared backbone uses all views for correspondence. This improves depth and pose estimation over input-space designs. We further exploit view density: sparse and dense observations depict the same scene but provide different amounts of correspondence. Aligning sparse-context features with dense-context features supplies a geometric training signal alongside rendering, without a pretrained geometric teacher. We additionally align features with a frozen vision foundation model, which brings further gains. None of these signals requires geometric annotation, and the resulting model improves geometry estimation over prior self-supervised methods. Controlled experiments isolate the contribution of each component, and self-supervised pretraining also improves subsequent supervised training.
- Abstract(参考訳): 自己教師付き学習は、モデルが観察するものと、それが説明しなければならないものとの間にある非対称性に依存する。
近年の手法では、カメラやシーン構造を予測し、静止画像から3次元幾何学を学習している。
自明な解を避けるために、彼らはこの非対称性を入力空間に課し、ビューが別々のブランチやマスキングされた注意を通してどのように相互作用するかを制限する。
我々は、この設計を、レンダリング品質ではなく、幾何学的精度で再考する。
コンテキストビューの間にホールドアウトビューがある場合、コンテキストはそれが観測する幾何学をすでに制約している。
したがって、3次元表現空間において非対称性を課し、共有バックボーンがすべてのビューを対応のために使用する間、再構成されたシーンからのみ保持されたビューを除外する。
これにより、入力空間の設計よりも深度とポーズの推定が向上する。
疎密で密集した観測では、同じシーンを描いているが、異なるレベルの対応を提供している。
濃密なコンテキストを持つスパース・コンテクストの特徴は、事前訓練された幾何学教師なしで、レンダリングと同時に幾何学的な訓練信号を提供する。
さらに、機能と凍結したビジョンファウンデーションモデルとを合わせることで、さらなる利益をもたらします。
これらの信号には幾何アノテーションは不要であり、結果として得られるモデルは、以前の自己教師付き手法よりも幾何推定を改善する。
制御された実験は、各コンポーネントの貢献を分離し、自己教師付き事前訓練は、その後の教師付きトレーニングも改善する。
関連論文リスト
- GeoForward: Geometry-Guided Cross-View Alignment for Feedforward 3D Gaussian Splatting [11.512888199820368]
我々は3次元再構成のための新しいパラダイムである textbfGeometry-Conditioned Feedforward Reconstruction を提案する。
計量幾何学は、3D表現が形成される前に、クロスビュー対応を確立する。
GeoForwardは、比較手法の中で、最小のクロスカメラ深度一致誤差とチャンファー距離を達成している。
論文 参考訳(メタデータ) (2026-09-28T15:14:48Z) - Geometry Matters: 3D Foundation Priors for Learning Semantic Correspondence [28.529731030882065]
意味的対応推定のための3D認識後学習フレームワークを提案する。
我々はSAM3Dを用いてオブジェクトの形状とポーズを推定し、レンダリング・アンド・コンペア最適化によりポーズを洗練する。
結果として得られる幾何学的特徴マップは、DINOとStable Diffusionの特徴を補完する。
論文 参考訳(メタデータ) (2026-05-28T15:37:59Z) - Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。
エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。
第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。
第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
論文 参考訳(メタデータ) (2026-04-12T10:36:18Z) - Perspective from a Higher Dimension: Can 3D Geometric Priors Help Visual Floorplan Localization? [8.82283453148819]
建物のフロアプランの自己ローカライズは研究者の興味を引き付けている。
フロアプランは建物の構造を最小限に表現するので、視覚的知覚とフロアプランの様相や幾何学的差異がこの課題に挑戦する。
既存の手法では、2次元幾何学的特徴とポーズフィルタを巧みに利用して有望な性能を実現する。
本稿では,2次元フロアプランの局所化問題を視覚的FLOCアルゴリズムに3次元幾何学的先行点を注入することにより高次元から考察する。
論文 参考訳(メタデータ) (2025-07-25T01:34:26Z) - Unsupervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
MAL-UPCは、領域レベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークである。
我々のMAL-UPCは3Dの完全な監視を一切必要とせず、トレーニングセットにおける一視点部分的な観察のみを必要とする。
論文 参考訳(メタデータ) (2024-07-13T06:53:39Z) - Know Your Neighbors: Improving Single-View Reconstruction via Spatial Vision-Language Reasoning [119.99066522299309]
KYNは、各点の密度を予測するために意味的および空間的文脈を理由として、単一視点シーン再構築のための新しい手法である。
その結果,KYNは3次元点ごとの密度の予測よりも3次元形状回復を改善することがわかった。
我々は,KITTI-360のシーンとオブジェクトの再構成における最先端の成果を達成し,以前の作業と比べてゼロショットの一般化が向上したことを示す。
論文 参考訳(メタデータ) (2024-04-04T17:59:59Z)
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。