論文の概要: SceneBound: How Much Should a Streaming 3D Reconstruction Model Remember?

• arxiv url: http://arxiv.org/abs/2611.00756v1
• Date: Sat, 31 Oct 2026 09:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-13 16:45:31.887847
• Title: SceneBound: How Much Should a Streaming 3D Reconstruction Model Remember?
• Title（参考訳）: SceneBound:ストリーミング3Dレコンストラクションモデルって、どれぐらいでいいの?
• Abstract要約: トレーニングフリールールは、現在のフレームの信号から何を書くかを決定する。 SceneBoundは、予測されたカメラが保存されたポーズごとに少なくとも一定の半径にある場合にのみフレームを記述できるトレーニング不要のルールである。
• 参考スコア（独自算出の注目度）: 20.87615894247359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming 3D reconstruction models keep past video frames in a recurrent state, fast weights from test-time training, or a key-value (KV) cache. Each written frame shifts the coordinate frame of later cameras or occupies GPU memory. Training-free rules decide what to write from a signal of the current frame. How much they write accounts for their mean accuracy: spending the update budget of a gate at uniformly spaced frames, with no signal, matches nine published gates, and the budget bounds the drift of the state wherever the writes fall. We propose SceneBound, a training-free rule that writes a frame only when its predicted camera pose lies at least a fixed radius from every stored keyframe. Its keyframe count stays within a constant factor of the covering number of the visited poses, the fewest views that keep a keyframe near every camera, so the count grows with the places visited and stays flat when the camera returns. In large scenes, SceneBound closes a submap once decoding its first frame again reveals drift. SceneBound uses one radius across four released models and three memory types. In the recurrent state of CUT3R and the KV cache of StreamVGGT, it achieves the lowest mean trajectory error among the published training-free rules we evaluate, in one pass and over nine passes of a scene, where its keyframes grow by 3% to 6%.
• Abstract（参考訳）: ストリーミング3D再構成モデルは、過去のビデオフレームをリカレントな状態に保ち、テストタイムトレーニングからの高速な重み付け、キー値(KV)キャッシュを保持する。 各フレームは、後のカメラの座標フレームをシフトするか、GPUメモリを占有する。 トレーニングフリールールは、現在のフレームの信号から何を書くかを決定する。 信号のない一様間隔のフレームでゲートの更新予算を9つの発行されたゲートと一致させ、その予算は書き込みが落ちても状態のドリフトを束縛する。 SceneBoundは、予測されたカメラのポーズが記憶されているすべてのキーフレームから少なくとも1つの固定半径にある場合にのみフレームを記述できるトレーニング不要のルールである。 そのキーフレーム数は、訪れたポーズの数、どのカメラの近くにもキーフレームを保持する最少のビューの一定の要素に留まっているため、カメラが戻ってくると、訪れた場所がフラットに保たれていく。 大きなシーンでは、SceneBoundは最初のフレームをデコードすると、サブマップを閉じる。 SceneBoundは、リリースされた4つのモデルと3つのメモリタイプに1つの半径を使用する。 CUT3Rの繰り返し状態とStreamVGGTのKVキャッシュでは、キーフレームが3%から6%成長するシーンの1回のパスと9回のパスで、私たちが評価したトレーニング不要なルールの中で、最小の軌道誤差を達成する。

関連論文リスト

• HiP3R: Hierarchical Pose Graphs for Long-Horizon 3D Reconstruction [65.91699979478172]
  長いビデオは、グローバルな一貫性を達成するために重なり合うチャンクとして処理されなければならない。 HiP3Rはこのトレードオフを階層的なポーズグラフを使って解決する。 複数のベンチマークによる実験では、HiP3Rの有効性が示されている。
  論文  参考訳（メタデータ） (2026-10-22T17:51:10Z)
• Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation [43.11678020515984]
  我々は、Any Time, Any Space (ATAS)を提示する。これは、明確な位置、カメラ、イベント時間参照で、スクリーンショットをショットリクエストにコンパイルする。 ATASは報告されたすべてのクロスショット一貫性対策を改善し、バックボーン毎の最高スコアを達成している。
  論文  参考訳（メタデータ） (2026-10-14T17:54:18Z)
• Slot3R: Set-Associative Spatial Memory for Streaming 3D Reconstruction [12.476825827161184]
  Slot3Rは、トレーニング済みのPoint3Rバックボーンを凍結させながら、複数の状態が共有アドレスで共存することを可能にする。 300-500のサンプルフレームで、Slot3Rは7Scenesでは57.1%-63.1%、NeuralRGBDでは64.0%-72.0%削減した。
  論文  参考訳（メタデータ） (2026-10-08T16:39:39Z)
• VideoReloc: Long-Term Indoor Video Relocalization against a Kilobyte-Scale Semantic Scene Graph [50.42050161026878]
  長時間の屋内ビデオ再配置は、照明や家具の変更後の地図フレームの軌跡を推定する。 ビジュアルメソッドは外観に依存し、これらの変更によって信頼性が低下する。 適応的なビデオクリップは、物体と動きの基準が満たされるまで、空間的証拠を集めるためにオドメトリーを使用する。
  論文  参考訳（メタデータ） (2026-09-18T14:16:41Z)
• Rethinking the State Update Gate for Long-Sequence Recurrent 3D Reconstruction [17.980148618952278]
  厳格な定メモリ予算の下での3D再構成は、ストリームが進化するにつれて、リカレント状態がどのように更新されるかに焦点をあてる。 5つのベンチマークでTT3Rスタイルのゲートをプロファイルし、構造的ボトルネックを発見します。 我々のゲートは、長いTUM-RGBDポーズシーケンスでATEを51%カットし、ボンのビデオ深度でAbsRelを12.8%削減し、KITTIのロングシーケンスポーズ推定はLongStreamとKeyframe-VOを上回ります。
  論文  参考訳（メタデータ） (2026-05-16T13:00:49Z)
• VideoLifter: Lifting Videos to 3D with Fast Hierarchical Stereo Alignment [54.66217340264935]
  VideoLifterは、ローカルからグローバルへの戦略を断片的に活用する、新しいビデオから3Dパイプラインである。 再建プロセスを大幅に加速し、訓練時間を82%以上削減し、現在のSOTA法よりも視覚的品質を向上した。
  論文  参考訳（メタデータ） (2025-01-03T18:52:36Z)
• COLMAP-Free 3D Gaussian Splatting [88.420322646756]
  本稿では,SfM前処理を使わずに新しいビュー合成を実現する手法を提案する。 入力フレームを逐次的に処理し、一度に1つの入力フレームを取ることで3Dガウスを段階的に成長させる。 提案手法は, 映像合成とカメラポーズ推定において, 大きな動き変化下での従来手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-12-12T18:39:52Z)
• Human Mesh Recovery from Multiple Shots [85.18244937708356]
  疑似地上真理3Dヒューマンメッシュを用いた長期シーケンスの3次元再構築とマイニングの改善のためのフレームワークを提案する。 得られたデータは,様々なメッシュ回復モデルのトレーニングに有用であることを示す。 編集メディアの大規模なライブラリーから3Dコンテンツを処理・分析するための扉を開くツールを開発した。
  論文  参考訳（メタデータ） (2020-12-17T18:58:02Z)

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。