論文の概要: MetricTrail: Revisiting the Power of Metric Depth and Local Optimization for Long-Sequence Streaming 3D Reconstruction
- arxiv url: http://arxiv.org/abs/2611.07555v1
- Date: Thu, 05 Nov 2026 07:02:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.577582
- Title: MetricTrail: Revisiting the Power of Metric Depth and Local Optimization for Long-Sequence Streaming 3D Reconstruction
- Title（参考訳）: MetricTrail:Metric Depthのパワー再考と長周期ストリーミング3D再構成のための局所最適化
- Abstract要約: MetricTrailは、カメラの動きを正確に推定し、長いモノクラービデオから高密度に再構成するストリーミングシステムである。
単一画像のメートル法深度は、対応ネットワークを再トレーニングすることなく、その軌道精度を大幅に向上する。
KITTI-02を12.70 FPSで3.21GBのピークGPUメモリで処理する。
- 参考スコア（独自算出の注目度）: 76.29907294945012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present MetricTrail, a streaming system for accurate camera motion estimation and dense reconstruction from long monocular videos. To keep inference efficient over long sequences, we revisit DPVO's sparse local estimator. We find that single-image metric depth substantially improves its trajectory accuracy, without retraining the correspondence network or enlarging the optimization window. Metric predictions initialize patch depths and remain as soft constraints during optimization. We further improve correspondence estimation through learned adapters that augment matching features and recurrent context with frozen DINOv3 representations. The correspondence estimator and adapters are trained on diverse short clips without additional long-sequence training. This modular design also allows the depth provider to be independently upgraded and supports supplied camera intrinsics and calibrated stereo observations without retraining. Under the reported RGB-only protocols, MetricTrail achieves the lowest average trajectory error among evaluated methods on KITTI, Oxford Spires, and VBR. Pairing the estimated poses with single-image depth predictions also produces strong dense reconstruction on indoor and outdoor benchmarks and coherent reconstructions of in-the-wild videos. With supplied intrinsics, the system processes KITTI-02 at 12.70 FPS with 3.21 GB peak GPU memory.
- Abstract（参考訳）: 本稿では,モノクロビデオからの高精度なカメラモーション推定と高密度再構成のためのストリーミングシステムであるMetricTrailを提案する。
長いシーケンスで推論を効率的に保つため、DPVOのスパース局所推定器を再検討する。
単一画像のメートル法深度は、対応ネットワークを再トレーニングしたり、最適化ウィンドウを拡大したりすることなく、軌道精度を大幅に向上させる。
メトリック予測はパッチの深さを初期化し、最適化中にソフトな制約として残る。
さらに,凍結したDINOv3表現を用いて,マッチング機能と繰り返しコンテキストを増強する学習アダプタによる対応推定を改善した。
対応推定器とアダプタは、追加のロングシーケンストレーニングなしで様々なショートクリップで訓練される。
このモジュラー設計により、ディープ・プロバイダを独立してアップグレードし、供給されたカメラの内在と調整されたステレオ観測を再訓練することなくサポートできる。
報告されたRGBのみのプロトコルでは、KITTI、Oxford Spires、VBRの評価手法の中でMetricTrailは平均軌道誤差が最も低い。
単一画像深度予測で推定されたポーズをペアリングすると、屋内および屋外のベンチマークや、地中ビデオのコヒーレントな再構成が強固に再現される。
供給されたintrinsicsでは、KITTI-02を12.70 FPSで処理し、3.21GBのピークGPUメモリを持つ。
関連論文リスト
- MIRAGE: Metric Inference and Reliability-Aware Gaussian Estimation from Feed-Forward Vision [93.94532245173828]
フィードフォワードの3Dプリエントは信頼性の高いメートル法を欠き、長期の軌道漂流に悩まされることが多い。
対照的に、LiDAR-慣性推定はメートル法的に正確な動きを提供するが、高忠実度再構成に必要な画像空間の整合性は欠いている。
We propose $MIRAGE$, which is anchors feed-forward visual geometry to LiDAR-IMU metric motion and regulations online pose corrects。
論文 参考訳（メタデータ） (2026-10-08T18:00:56Z) - RIDE: Relocalization-Informed Depth Estimation with 3D Gaussian Splatting [20.29273985020268]
本稿では,ロボットのRGBマップから深度を推定するRIDEを提案する。
実験では、深度精度が向上し、時間的整合性尺度のみの校正が可能になった。
論文 参考訳（メタデータ） (2026-09-10T04:36:58Z) - Anchor3R: Streaming 3D Reconstruction with Transient Anchors for Long-Horizon Visual Mapping [28.6268034980389]
ロングホライゾンのオンライン視覚マッピングは、ロボット知覚のコア機能である。
最近のフィードフォワード3D再構成モデルは、第1フレームまたは永続的なシーンメモリに結び付けられた固定座標系におけるポーズを予測する。
フィードフォワード再構成を電流中心の局所測定予測として扱うストリーミング3D再構成フレームワークであるemphAnchor3Rを提案する。
論文 参考訳（メタデータ） (2026-06-03T16:00:13Z) - Registration-Free Learnable Multi-View Capture of Faces in Dense Semantic Correspondence [30.38509036690193]
MOCHIは、登録したトレーニングデータを必要とせずにトレーニングされた多視点3D顔予測フレームワークである。
標準点間距離は、登録不要設定でトレーニングの不安定性と視覚的アーティファクトを誘導する。
代わりに、よりスムーズな勾配とより優れた再構成忠実度を提供する点マップと正規化に基づく損失を提案する。
論文 参考訳（メタデータ） (2026-05-02T13:59:29Z) - Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction [50.5449251266956]
本稿では,長い映像シーケンスから大規模3Dシーンを再構築する作業について述べる。
近年のフィードフォワード再構成モデルでは,RGB画像からの3次元幾何を,明示的な3次元先行や幾何学的制約なく直接回帰することで,有望な結果を示している。
本稿では,長距離シーン情報を効率よく圧縮し,保持するニューラルグローバルコンテキスト表現を提案する。
論文 参考訳（メタデータ） (2026-04-09T17:59:50Z) - Uncertainty-Guided Inference-Time Depth Adaptation for Transformer-Based Visual Tracking [6.901398609610159]
トランスフォーマーベースの単一オブジェクトトラッカーは、最先端の精度を実現するが、固定深度推論に依存している。
本研究では,動的かつ不確実性を考慮した深度適応を実現するアーキテクチャ保存手法UncL-STARKを提案する。
GOT-10kとLaSOTの実験では、最大で12%のGFLOPs削減、8.9%のレイテンシ削減、10.8%の省エネが示されている。
論文 参考訳（メタデータ） (2026-02-18T03:18:48Z) - Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳（メタデータ） (2025-08-06T16:16:58Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-26T04:04:21Z)
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。