論文の概要: Iris-Z: Scaling One Generative Model Past Specialist Geometry Models
- arxiv url: http://arxiv.org/abs/2611.16010v1
- Date: Wed, 11 Nov 2026 21:08:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.273488
- Title: Iris-Z: Scaling One Generative Model Past Specialist Geometry Models
- Title(参考訳): Iris-Z: 1つの生成モデルをスペシャリスト幾何学モデルに拡張する
- Abstract要約: 我々は、外観と幾何学を同時に生成する一般的な画像生成装置であるIris-Zをリリースする。
単一のバックボーンは、画像とその深さを同時に認知し、理解する。
ある重みのセットは、その深さで画像を生成し、写真から深さを推定し、所定の深さに画像を描く。
- 参考スコア(独自算出の注目度): 45.88028371034407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language moved from many task-specific models to one unified model: a single generative model with a single generative training task that handles all of them within the same backbone, and keeps improving with data, parameters and compute. We believe the bitter lesson applies just as much to computer vision, 3D and spatial understanding, in the end to visual intelligence: the effort should go into general architectures that solve all these tasks in a unified way, and into scaling them, rather than into task-specific designs. We test this on monocular geometry, a task that has belonged to specialised architectures for years. Iris-Z is a general image generator that produces appearance and geometry together. A single backbone denoises, reasons about and understands the image and its depth at the same time, and one set of weights generates images with their depth, estimates depth from photographs and paints images onto a given depth. At enough scale it surpasses state-of-the-art specialists on established depth benchmarks while keeping the generative abilities of the backbone it started from without specialized layers. We release two models for the community.
- Abstract(参考訳): 言語は、多くのタスク固有のモデルから、1つの統一モデルに移行した: 単一の生成トレーニングタスクを持つ単一の生成モデルで、すべてのタスクを同じバックボーン内で処理し、データ、パラメータ、計算で改善し続ける。
私たちは、この苦しい教訓がコンピュータビジョンや3D、空間的理解、視覚的知能の終わりにも当てはまると信じています。
私たちはこれを、長年に渡り専門的なアーキテクチャに属する、単分子幾何学(monocular geometry)でテストします。
Iris-Zは外観と幾何学を同時に生成する一般的な画像生成装置である。
単一のバックボーンは画像とその深さを同時に認識し理解し、一つの重みのセットはその深さで画像を生成し、写真から深さを推定し、所定の深さに画像を描く。
十分な規模で、確立された深度ベンチマークの最先端の専門家を追い越しながら、特定のレイヤなしでスタートしたバックボーンの生成能力を維持します。
コミュニティ向けの2つのモデルをリリースします。
関連論文リスト
- Depth Anything 3: Recovering the Visual Space from Any Views [64.12492264286522]
任意の数の視覚入力から空間的に一貫した幾何を予測するモデルとして,Depth Anything 3 (DA3) を提案する。
我々は、カメラのポーズ推定、任意のビュー幾何学、視覚レンダリングを含む新しいビジュアルジオメトリ・ベンチマークを構築した。
このベンチマークでは、DA3は全てのタスクをまたいで新しい最先端を設定し、以前のSOTA VGGTを平均44.3%の精度で上回り、幾何学的精度は25.1%である。
論文 参考訳(メタデータ) (2025-11-13T18:59:53Z) - WorldMirror: Universal 3D World Reconstruction with Any-Prior Prompting [51.69408870574092]
汎用的な3次元幾何予測タスクのためのオールインワンフィードフォワードモデルであるWorldMirrorを提案する。
我々のフレームワークは、カメラのポーズ、内在性、深度マップなど、様々な幾何学的先入観を柔軟に統合する。
WorldMirrorは、カメラ、ポイントマップ、深さ、表面正規推定から新しいビュー合成に至るまで、さまざまなベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2025-10-12T17:59:09Z) - GenSpace: Benchmarking Spatially-Aware Image Generation [76.98817635685278]
人間は直感的に、写真のために3D空間でシーンを作成し、配置する。
高度なAI画像生成者は、テキストや画像プロンプトから画像を作成する際に、同様の3D空間認識を備えたシーンを計画できるだろうか?
我々は、現在の画像生成モデルの空間的認識を評価するための新しいベンチマークと評価パイプラインであるGenSpaceを提案する。
論文 参考訳(メタデータ) (2025-05-30T17:59:26Z) - GeoGen: Geometry-Aware Generative Modeling via Signed Distance Functions [22.077366472693395]
単一ビューコレクションから3次元形状と画像を合成するための新しい生成手法を提案する。
ニューラルラディアンス場を用いたボリュームレンダリングを用いることで、生成した幾何学はノイズが多く、制約がないという重要な制限を継承する。
エンド・ツー・エンドで訓練された新しいSDFベースの3D生成モデルであるGeoGenを提案する。
論文 参考訳(メタデータ) (2024-06-06T17:00:10Z) - Generalizable Neural Performer: Learning Robust Radiance Fields for
Human Novel View Synthesis [52.720314035084215]
この研究は、一般のディープラーニングフレームワークを使用して、任意の人間の演奏者の自由視点画像を合成することを目的としている。
我々は、汎用的で堅牢な神経体表現を学習するシンプルな、かつ強力なフレームワーク、Generalizable Neural Performer(GNR)を提案する。
GeneBody-1.0とZJU-Mocapの実験は、最近の最先端の一般化可能な手法よりも、我々の手法の堅牢性を示している。
論文 参考訳(メタデータ) (2022-04-25T17:14:22Z)
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。