論文の概要: Trainspotting: Learning Object-Centric 3D Reconstruction from Found Photos

• arxiv url: http://arxiv.org/abs/2611.06849v2
• Date: Thu, 05 Nov 2026 18:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.517726
• Title: Trainspotting: Learning Object-Centric 3D Reconstruction from Found Photos
• Title（参考訳）: Trainspotting: 画像からオブジェクト中心の3D再構成を学習する
• Abstract要約: Trainspottingは、Wikimedia Commonsの12,068のオブジェクトと311,886枚の写真からなるデータセットである。 我々は、各オブジェクトを再構成して、カメラポーズ、多視点ステレオ深度、オブジェクトマスクを復元する。 微調整VGGT-$$ on Trainspottingは、カメラのポーズ、深さ、およびホールドアウトオブジェクトの3D形状を大幅に改善する。
• 参考スコア（独自算出の注目度）: 27.183341188204324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art feedforward reconstruction models perform poorly on in-the-wild object-centric photo collections. They are trained largely on single-session object captures whose images vary in viewpoint while the object and its environment remain nearly fixed. Public photo archives contain a different form of multi-view data. They hold found photos of the same object or design: photos taken independently by many people across years, environments, cameras, and sometimes physical units. In this work, we introduce Trainspotting, a dataset of 12,068 objects and 311,886 photos from Wikimedia Commons. We reconstruct each object to recover camera poses, multi-view stereo depth, and object masks. We categorize the objects into three regimes: objects fixed at one site, objects that move between sites, and designs shared by many physical units. Evaluating recent feedforward reconstruction models on Trainspotting shows that they fail most severely in the last two regimes. Fine-tuning VGGT-$Ω$ on Trainspotting significantly improves camera pose, depth, and 3D geometry on held-out objects. We observe similar improvements on the independent NAVI in-the-wild benchmark, which contains photos of each object in different environments. Performance on conventional benchmarks remains largely unchanged.
• Abstract（参考訳）: 最先端のフィードフォワード再構成モデルは、Wildオブジェクト中心の写真コレクションでは不十分である。 それらは主に、オブジェクトとその環境がほぼ固定されている間、画像が視点によって異なるシングルセッションオブジェクトキャプチャーに基づいて訓練されている。 公開写真アーカイブは、異なる形式のマルチビューデータを含んでいる。 彼らは同じ物体やデザインの写真を見つけました。何年にもわたって多くの人が独立して撮影した写真、環境、カメラ、時には物理的ユニットです。 本研究では,Wikimedia Commonsの12,068個のオブジェクトと311,886枚の写真からなるTrainspottingを紹介した。 我々は、各オブジェクトを再構成して、カメラポーズ、多視点ステレオ深度、オブジェクトマスクを復元する。 オブジェクトを3つのレシエーションに分類する: 1つのサイトに固定されたオブジェクト、サイト間を移動するオブジェクト、そして多くの物理ユニットが共有するデザイン。 トレインスポッティングにおける最近のフィードフォワード復元モデルの評価は、この2つの政権で最も深刻な失敗を示している。 微調整VGGT-$Ω$ on Trainspottingは、ホールドアウトオブジェクト上のカメラのポーズ、深さ、および3D形状を大幅に改善する。 異なる環境における各オブジェクトの写真を含むNAVI in-the-wildベンチマークにおいて、同様の改善が観察された。 従来のベンチマークのパフォーマンスはほとんど変わっていない。

関連論文リスト

• SPOON: Towards Coherent Compositional 3D Scene Generation from Uncalibrated Multi-view Images [104.47984768244568]
  近年のイメージコンディショニング3Dジェネレータは, 高品質な物体形状を創出する上で, 強力な先行技術を提供する。 既存のアプローチでは、シーンレイアウトをオブジェクト生成で絡み合わせるか、ビュー固有の観測から空間配置を別々に推定する。 SPOONは、シーンレベルの幾何学的なポーズ推論として構成3D生成を再構成するフレームワークである。
  論文  参考訳（メタデータ） (2026-09-30T12:16:23Z)
• MessyKitchens: Contact-rich object-level 3D scene reconstruction [26.192713922771244]
  乱雑な環境を特徴とする現実世界のシーンを備えた新しいデータセットであるMessyKitchensを紹介した。 近年のSAM 3Dによる単一オブジェクト再構成手法をベースとして,複数オブジェクトデコーダ(MOD)を用いてオブジェクトレベルの共同再構成を実現している。
  論文  参考訳（メタデータ） (2026-03-17T17:59:51Z)
• HOLD: Category-agnostic 3D Reconstruction of Interacting Hands and Objects from Video [70.11702620562889]
  HOLD - 単分子インタラクションビデオから手とオブジェクトを共同で再構成する最初のカテゴリーに依存しない方法。 我々は,3次元手と物体を2次元画像から切り離すことができる構成的明瞭な暗黙モデルを開発した。 本手法は,3次元手オブジェクトアノテーションに頼らず,組込みと組込みの両面において,完全教師付きベースラインに優れる。
  論文  参考訳（メタデータ） (2023-11-30T10:50:35Z)
• Few-View Object Reconstruction with Unknown Categories and Camera Poses [80.0820650171476]
  この研究は、カメラのポーズやオブジェクトのカテゴリを知らない少数の画像から、一般的な現実世界のオブジェクトを再構築する。 私たちの研究の要点は、形状再構成とポーズ推定という、2つの基本的な3D視覚問題を解決することです。 提案手法は,各ビューから3次元特徴を予測し,それらを入力画像と組み合わせて活用し,クロスビュー対応を確立する。
  論文  参考訳（メタデータ） (2022-12-08T18:59:02Z)
• MOLTR: Multiple Object Localisation, Tracking, and Reconstruction from Monocular RGB Videos [30.541606989348377]
  MOLTRはモノクロ画像シーケンスとカメラポーズのみを用いたオブジェクト中心マッピングのソリューションである。 rgbカメラが周囲のビデオをキャプチャすると、複数のオブジェクトをオンライン形式でローカライズし、追跡し、再構築することができる。 屋内および屋外シーンのベンチマークデータセットのローカリゼーション、追跡、および再構築を評価します。
  論文  参考訳（メタデータ） (2020-12-09T23:15:08Z)
• Self-supervised Single-view 3D Reconstruction via Semantic Consistency [142.71430568330172]
  対象物の形状, テクスチャ, カメラポーズを予測できる, 自己監督型, 単視点3D再構成モデルを学習する。 提案手法では,手動で注釈付けしたキーポイント,オブジェクトのマルチビューイメージ,あるいは事前の3Dテンプレートなど,3Dの監督を必要としない。
  論文  参考訳（メタデータ） (2020-03-13T20:29:01Z)

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。