論文の概要: ACROSSVAM3.0: Resource-Bounded 4D Scene Construction and Adaptive Surface Association
- arxiv url: http://arxiv.org/abs/2611.11825v1
- Date: Mon, 09 Nov 2026 03:40:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:38.15833
- Title: ACROSSVAM3.0: Resource-Bounded 4D Scene Construction and Adaptive Surface Association
- Title(参考訳): ACROSSVAM3.0:資源境界の4Dシーンの構築とアダプティブサーフェスアソシエーション
- Abstract要約: AcrossVAM3.0は、テキスト、画像、または単眼RGB動画をバージョン付きポイント表現に変換するオフラインシステムである。
3つの新しい入力モードは、最大17.14GBのタスクプロセスツリーGPUフットプリントで完了する。
TAP-Vid-DAVISにおける局面誤差を低減させるが、長距離トラックのカバーは失われる。
- 参考スコア(独自算出の注目度): 7.12251554131085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combining video generation, dynamic reconstruction and monocular SLAM requires consistent coordinates, explicit handling of missing outputs and predictable memory use. We present AcrossVAM3.0, an offline system that converts text, images or monocular RGB video into a versioned point representation. Frozen components run sequentially on one GPU; map corrections update cameras, points and trajectories together. The coordination layer adds no neural parameters. Three fresh input-mode runs completed with a maximum sampled task-process-tree GPU footprint of 17.14 GB. In a frozen 16-scene video suite, every scene yielded a 4D reconstruction and 15 yielded a non-empty SLAM map. Strict cross-window matching reduced local surface error but lost long-range track coverage on TAP-Vid-DAVIS. We therefore developed multi-hypothesis adaptive surface chaining (MHAC), which retains several candidate matches and an explicit missing state. After selection on disjoint development data, MHAC improved Average Jaccard over a position-only baseline by 0.1394 on a frozen ten-video holdout (95% bootstrap interval [0.1074,0.1689]). Across 265 RoboTAP videos, the mean paired gain was 0.0610 ([0.0510,0.0715]), with 215 wins, one tie and 49 losses. These results support resource-bounded scene construction and an external tracking gain under the tested protocol. They do not establish metric scale, semantic identity or high-fidelity novel-view rendering.
- Abstract(参考訳): ビデオ生成、動的再構成、モノクルSLAMを組み合わせるには、一貫した座標、欠落した出力の明示的な処理、予測可能なメモリ使用が必要である。
AcrossVAM3.0は、テキスト、画像、または単眼RGB動画をバージョン付きポイント表現に変換するオフラインシステムである。
凍結したコンポーネントは1つのGPU上で順次動作し、マップ修正はカメラ、ポイント、軌跡を一緒に更新する。
調整層は神経パラメータを追加しない。
3つの新しい入力モードは、最大17.14GBのタスクプロセスツリーGPUフットプリントで完了する。
凍った16シーンのビデオスイートでは、すべてのシーンが4D再構成され、15は空でないSLAMマップが作られました。
TAP-Vid-DAVISにおける局面誤差を低減させるが、長距離トラックのカバーは失われる。
そこで我々はMHAC (Multi-hypothesis Adaptive Surface chaining) を開発した。
解離した開発データの選択後、MHACは、凍結した10ビデオホールドアウト(95%ブートストラップ間隔 [0.1074,0.1689])において、位置のみのベースライン上の平均ジャカードを0.1394改善した。
265本のRoboTAPビデオの中で、平均的な対のゲインは0.0610([0.0510,0.0715])で、215勝、1ネクタイ、1敗49敗だった。
これらの結果は、リソースバウンドなシーン構築と、テストプロトコルによる外部追跡ゲインをサポートする。
メトリックスケール、セマンティックアイデンティティ、高忠実なノベルビューレンダリングは確立していない。
関連論文リスト
- SweepLSD: A One-Pass, O(width)-Memory Line Segment Detector with an Integer-Only Streaming Core and a Real-Time FPGA Realization [0.0]
SweepLSDはラインセグメント検出器で、画像を正確に1回読み出し、スキャン線を通過する最後のピクセルの数行以内に各セグメントを出力する。
フルHDにダウンスケールされた構造豊富なパブリック4K写真では、CPUスレッドが11ミリ秒でセグメントを検出する。
論文 参考訳(メタデータ) (2026-08-22T19:37:47Z) - OrbitForge: Text-to-3D Scene Generation via Reconstruction-Anchored Video Synthesis [23.56618120729796]
ジェネリックテキスト・トゥ・ビデオモデルは、リッチなオープンワールドシーンとして使用できる。
フリーズビデオプリエントから構築されたアダプタであるOrbitForgeを紹介します。
単一のテキスト生成ビデオから、標準的なクローズド・オービットな3Dガウス・スプレイティングシーンに変換する。
論文 参考訳(メタデータ) (2026-06-23T16:50:47Z) - Geometric Context Transformer for Streaming 3D Reconstruction [51.19524805829903]
LingBot-Mapは、ストリーミングデータからシーンを再構築するためのフィードフォワード3Dファウンデーションモデルである。
LingBot-Mapの定義的な側面は、アンカーコンテキスト、ポーズ参照ウィンドウ、トラジェクトリメモリを統合した、慎重に設計されたアテンションメカニズムにある。
この設計は、リッチな幾何学的コンテキストを維持しながら、ストリーミング状態をコンパクトに保ち、518 x 378の解像度入力に対して、20FPS程度の安定した効率的な推論を可能にする。
論文 参考訳(メタデータ) (2026-04-15T17:58:13Z) - HarvestFlex: Strawberry Harvesting via Vision-Language-Action Policy Adaptation in the Wild [5.953529529989388]
本研究は, イチゴの実栽培における視覚-言語-反応(VLA)政策の転換に関する最初の研究である。
我々はHarvestFlexプラットフォーム上に3ビューRGBセンシングを用いたエンドツーエンドのクローズドループシステムを構築した。
その結果、非自明なクローズドループピックは4時間未満の実データであり、クローズレンジの可観測性損失と接触力学ミスマッチによって制限されたままであった。
論文 参考訳(メタデータ) (2026-03-06T07:26:45Z) - MotionCrafter: Dense Geometry and Motion Reconstruction with a 4D VAE [95.16927402591227]
MotionCrafterはビデオ拡散に基づくフレームワークで、4Dの幾何学を共同で再構築し、モノクロビデオから密度の高い動きを推定する。
そこで,MotionCrafterは,幾何再構成と密集したシーンフロー推定の両方において,最先端の性能を実現していることを示す。
論文 参考訳(メタデータ) (2026-02-09T17:58:12Z) - Instant4D: 4D Gaussian Splatting in Minutes [8.897770973611427]
Instant4Dは、キャリブレーションされたカメラや奥行きセンサーを使わずに、数分でカジュアルな映像シーケンスを処理できる単分子再構成システムである。
我々の設計は、幾何学的整合性を保ちながら冗長性を著しく低減し、モデルのサイズを元のフットプリントの10%以下に削減する。
提案手法は,Dycheckデータセット上で10分以内に,あるいは一般的な200フレームのビデオに対して,単一のビデオを再構成する。
論文 参考訳(メタデータ) (2025-10-01T17:07:21Z) - FlowR: Flowing from Sparse to Dense 3D Reconstructions [60.28571003356382]
そこで本研究では,疎度な再現から密度な再構成に期待できるレンダリングまで,新しいビューレンダリングを接続するためのフローを学習するフローマッチングモデルを提案する。
我々のモデルは3.6Mイメージペアの新たなデータセットに基づいてトレーニングされており、単一のフォワードパスで1つのH100 GPU上で540x960解像度(91Kトークン)で45ビューまで処理できる。
論文 参考訳(メタデータ) (2025-04-02T11:57:01Z) - PatchMatch-Stereo-Panorama, a fast dense reconstruction from 360{\deg}
video images [0.0]
この研究は、現在のアプローチとは異なる、PatchMatch-Stereo-algorithmの非常に並列な新しい変種を記述する。
以上の結果から,最近のモバイルGPUを用いたコンシューマグレードのラップトップでは,高密度な3D再構成が可能であることが示唆された。
論文 参考訳(メタデータ) (2022-11-29T14:54:01Z) - VoGE: A Differentiable Volume Renderer using Gaussian Ellipsoids for
Analysis-by-Synthesis [62.47221232706105]
本稿では,ガウス再構成カーネルをボリュームプリミティブとして利用するVoGEを提案する。
本稿では,VoGEを用いて効率よくレンダリングを行うために,体積密度集約と粗大な描画戦略に関する近似クローズフォーム解を提案する。
VoGEは、オブジェクトポーズ推定、形状/テクスチャフィッティング、推論など、様々な視覚タスクに適用された場合、SoTAより優れている。
論文 参考訳(メタデータ) (2022-05-30T19:52:11Z)
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。