論文の概要: Kosmo-GFM: A Production-Ready Geometry Foundation Model
- arxiv url: http://arxiv.org/abs/2611.16840v1
- Date: Thu, 12 Nov 2026 14:17:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.485012
- Title: Kosmo-GFM: A Production-Ready Geometry Foundation Model
- Title(参考訳): Kosmo-GFM:生産可能な幾何学基礎モデル
- Abstract要約: 幾何学基礎モデル(GFM)とポーズ最適化エンジン(PoseEngine)を統合したシーン再構築システムであるKosmo-GFMを提案する。
GFMは、画像やビデオからカメラパラメータ、奥行き、クロスビュー対応、ダイナミックな3Dポイントを予測する。
PoseEngineは、下流3Dと4Dガウススプラッティングのためのシーンレベルのカメラポーズと幾何学を復元する。
- 参考スコア(独自算出の注目度): 21.75732551456444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Kosmo-GFM, a scene reconstruction system that integrates a geometry foundation model (GFM), a pose optimization engine (PoseEngine), and reconstruction-derived supervision from KosmoWorld. GFM predicts camera parameters, depth, cross-view correspondences, and dynamic 3D points from images and videos. PoseEngine combines these predictions with geometric optimization to recover scene-level camera poses and geometry for downstream 3D and 4D Gaussian Splatting. KosmoWorld generates images and geometric supervision from reconstructed real-world scenes to improve GFM's geometric predictions. On the Sparse and Medium subsets of SpatialBench, GFM achieves the lowest absolute relative depth error and the highest relative-pose AUC at 5 degrees among the compared methods. It also achieves the lowest mean endpoint errors for dynamic points and scene flow across the five evaluated datasets. Across 34 scenes completed by all compared reconstruction systems, PoseEngine achieves the highest scene-averaged pose AUC at thresholds of 1, 3, and 5 degrees, with a cumulative runtime of 14.07 hours, approximately 20% of GLUEMAP's 69.67 hours. PoseEngine Flash provides a further accuracy-efficiency trade-off, with a measured mixed-precision runtime of 2.62 hours, approximately 4% of GLUEMAP's runtime. Separate scaling experiments show generally favorable trends with increased data, model computation, and training budgets. These results support the use of learned geometric priors within a scene-level reconstruction pipeline.
- Abstract(参考訳): 本稿では,空間構造モデル (GFM) とポーズ最適化エンジン (PoseEngine) を統合したシーン再構築システムであるKosmo-GFMについて述べる。
GFMは、画像やビデオからカメラパラメータ、奥行き、クロスビュー対応、ダイナミックな3Dポイントを予測する。
PoseEngineはこれらの予測と幾何学的最適化を組み合わせて、下流の3Dおよび4Dガウススプラッティングのためのシーンレベルのカメラポーズと幾何学を復元する。
KosmoWorldは、GFMの幾何学的予測を改善するために、再構成された現実世界のシーンから画像と幾何学的監督を生成する。
空間ベンチのスパース部分集合と中間部分集合において、GFMは比較法のうち最低絶対相対深度誤差と最高相対深度AUCを5度で達成する。
また、5つの評価されたデータセットをまたいだ動的ポイントとシーンフローに対する平均エンドポイントエラーの最小値も達成する。
比較されたすべての復元システムによって完成した34のシーンで、PoseEngineは1, 3, 5度の平均的なポーズAUCを14.07時間、GLUEMAPの69.67時間の約20%の累積実行時間で達成している。
PoseEngine Flashは、GLUEMAPのランタイムの約4%である2.62時間の混合精度ランタイムを備えた、さらなる精度と効率のトレードオフを提供する。
個別のスケーリング実験は、データの増加、モデル計算、トレーニング予算など、一般的に好ましい傾向を示している。
これらの結果は、シーンレベルの再構築パイプライン内での学習された幾何学的事前利用を支援する。
関連論文リスト
- XM4D: 4D Reconstruction through Certifiable Geometric Optimization [13.987748561407036]
XM4Dは,大まかに大まかに最適化された最適化に基づいて構築された,正確かつ効率的な4次元再構成のためのフレームワークである。
我々は、構造化二次プログラミング(SDP)緩和と大域的最適性証明として、両方の段階を定式化する。
7つのベンチマークによる実験では、静的シーンと動的シーンの両方で正確なカメラモーション推定が示されている。
論文 参考訳(メタデータ) (2026-11-05T12:20:52Z) - Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles [50.869471010323956]
Foundation4Dは、幾何学的推定3次元検出、意味的占有、ビデオからのガウス的再構成のための統合フィードフォワードモデルである。
幾何学的占有を伴うコトレーニング検出は、検出のみのトレーニングよりも、トップクラスのmAPを1.2ポイント改善する。
我々はさらに、予測幾何と軌跡をライダーレスNuRecの前駆体として利用し、シミュレーションのための走行シーンの再構築を支援する。
論文 参考訳(メタデータ) (2026-10-21T19:00:46Z) - GeoWeaver: Accurate Long-Sequence 3D Reconstruction via Hierarchical Geometric Assembly [23.486108847409856]
RGBビデオからの長時間の3D再構成には、正確な局所幾何学と一貫したカメラモーションの両方が必要である。
Geometric Prior Model(GPM)とTest-Time Adaptation(TTA)を組み合わせた統合フレームワークGeoWeaverを提案する。
TTAは、シーケンシャルでグローバルなチャンクレベルSim(3)アライメントと、カメラのポーズ、アフィン深さ補正、および本質的な精細化を行う。
さまざまな時系列ベンチマークによる実験では、カメラの精度の向上、グローバルな一貫性、ポイントクラウドの品質が示されている。
論文 参考訳(メタデータ) (2026-08-18T05:29:31Z) - Ground4D: Consistency-Aware 4D Reconstruction from Monocular Video [69.94904173314505]
2つのステージ上に構築された幾何グラウンドのフレームワークであるGround4Dを提案する。
まず,モノクロ映像から複数視点の立体形状とカメラポーズを再構成する。
第2に,動的ガウススプラッティングによる幾何整合性を考慮した改良を行う。
論文 参考訳(メタデータ) (2026-06-27T09:27:42Z) - Face Anything: 4D Face Reconstruction from Any Image Sequence [49.395407357499074]
そこで本研究では,正準顔点予測に基づく高忠実度4次元顔再構成の統一手法を提案する。
深度と標準座標を共同で予測することにより,正確な深度推定,時間的に安定な再構築,密度の高い3次元形状,頑健な顔点追跡が可能となる。
論文 参考訳(メタデータ) (2026-04-21T17:22:39Z) - ReefMapGS: Enabling Large-Scale Underwater Reconstruction by Closing the Loop Between Multimodal SLAM and Gaussian Splatting [9.554102334590365]
本稿では,3DGSをベースとした逐次再構築フレームワークReefMapGSを提案する。
複雑な地形を持つ2つの海底礁のCOLMAPフリーな3次元再構築と,700m以上の調査軌道上でのAUVのより正確なグローバルなポーズ推定について述べる。
論文 参考訳(メタデータ) (2026-04-13T19:32:53Z) - Reconstructing People, Places, and Cameras [57.81696692335401]
Humans and Structure from Motion (HSfM) は、メカニカルワールド座標系において、複数の人メッシュ、シーンポイント雲、カメラパラメータを共同で再構築する手法である。
以上の結果から,SfMパイプラインに人体データを組み込むことで,カメラのポーズ推定が改善された。
論文 参考訳(メタデータ) (2024-12-23T18:58:34Z) - InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。
InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。
3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
論文 参考訳(メタデータ) (2024-03-29T17:29:58Z) - FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。
本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
論文 参考訳(メタデータ) (2023-08-10T17:55:02Z)
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。