日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

3D知覚arXiv:2508.10934

ViPE: 3D幾何知覚のための動画ポーズ推定エンジン

ViPE: Video Pose Engine for 3D Geometric Perception

シェア:XThreadsFacebookLINEはてブBluesky

未校正の生動画からカメラ内部パラメータ・運動・密な深度を推定する汎用エンジンViPEを提案し、大規模動画データセットに正確な3Dアノテーションを付与して公開した。

詳しい要約

1. どんなもの?

- 入力: 制約のない raw videos - 出力: camera intrinsics、camera motion、dense で near-metric な depth maps を推定する video processing engine - 対応: dynamic selfie videos、cinematic shots、dashcams など多様なシナリオ - 対応カメラモデル: pinhole、wide-angle、360° panoramas - 目的: 大規模 3D アノテーション獲得の困難を埋めること - 公開: ViPE とアノテーション済みデータセットを open-source 化

2. 先行研究と比べてどこがすごい?

- 先行研究: 大規模 training data に依存する state-of-the-art 手法 - 課題: in-the-wild videos から一貫・精密な 3D annotations を得ることが困難 - 成果: uncalibrated pose estimation baselines を TUM/KITTI sequences で 18%/50% 上回る - 実用性: 標準入力解像度で単一 GPU 上 3-5FPS - 規模: 約 100K real-world internet videos、1M AI-generated videos、2K panoramic videos、計約 96M frames をアノテーション

3. 技術・手法の肝は?

- 核心: 未較正の raw video から camera intrinsics・camera motion・dense near-metric depth を同時推定する処理系 - 頑健性: dynamic selfie、cinematic、dashcam など多様な撮影条件に対応 - カメラモデル: pinhole、wide-angle、360° panoramas をサポート - 詳細なアルゴリズム構成は要旨からは不明 - 効率: 単一 GPU で 3-5FPS を実現する設計

4. どうやって有効だと検証した?

- 複数の benchmarks 上で ViPE を評価 - 定量結果: uncalibrated pose estimation baselines に対し TUM/KITTI sequences で 18%/50% 改善 - 効率評価: 標準入力解像度で単一 GPU 上 3-5FPS - 大規模適用: 約 96M frames の動画集合を ViPE でアノテーションし、データセットとして公開

5. 議論はある?

- 主張: 大規模 3D アノテーションのボトルネックを ViPE が緩和し spatial AI の発展を加速 - 公開方針: ViPE とアノテーション済みデータセットの open-source 化 - 限界や失敗事例の詳細な議論は要旨からは不明 - near-metric depth の精度限界や動的シーンでの誤差要因は要旨からは不明

6. 次に読むべき論文は?

- TUM/KITTI sequences 上の uncalibrated pose estimation baselines(比較対象) - 大規模 3D アノテーション関連の state-of-the-art 手法(具体名は要旨からは不明) - 関連する定番として SLAM、Structure-from-Motion、monocular depth estimation の代表的手法 - 360° panoramas 向け camera model を扱う関連研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jiahui Huang, Qunjie Zhou, Hesam Rabeti, Aleksandr Korovko, Huan Ling, Xuanchi Ren, Tianchang Shen, Jun Gao, Dmitry Slepichev, Chen-Hsuan Lin, Jiawei Ren, Kevin Xie, Joydeep Biswas, Laura Leal-Taixe, Sanja Fidler

分類: cs.CV, cs.GR, cs.RO, eess.IV

原文アブストラクト

Accurate 3D geometric perception is an important prerequisite for a wide range of spatial AI systems. While state-of-the-art methods depend on large-scale training data, acquiring consistent and precise 3D annotations from in-the-wild videos remains a key challenge. In this work, we introduce ViPE, a handy and versatile video processing engine designed to bridge this gap. ViPE efficiently estimates camera intrinsics, camera motion, and dense, near-metric depth maps from unconstrained raw videos. It is robust to diverse scenarios, including dynamic selfie videos, cinematic shots, or dashcams, and supports various camera models such as pinhole, wide-angle, and 360{\deg} panoramas. We have benchmarked ViPE on multiple benchmarks. Notably, it outperforms existing uncalibrated pose estimation baselines by 18%/50% on TUM/KITTI sequences, and runs at 3-5FPS on a single GPU for standard input resolutions. We use ViPE to annotate a large-scale collection of videos. This collection includes around 100K real-world internet videos, 1M high-quality AI-generated videos, and 2K panoramic videos, totaling approximately 96M frames -- all annotated with accurate camera poses and dense depth maps. We open-source ViPE and the annotated dataset with the hope of accelerating the development of spatial AI systems.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI