MapAnything: 汎用フィードフォワード計量3D再構成

- MapAnything は、1枚以上の画像と任意の幾何入力（camera intrinsics、poses、depth、partial reconstructions など）を入力し、metric 3D scene geometry と cameras を直接回帰する unified transformer-based feed-forward model。 - 多視点 scene geometry を factored representation（depth maps、local ray maps、camera poses、metric scale factor の集合）で表現し、局所再構成を globally consistent な metric frame に変換する。 - 単一の feed-forward pass で uncalibrated structure-from-motion、calibrated multi-view stereo、monocular depth estimation、camera localization、depth completion…

- 従来の specialist feed-forward models は個別タスク向けに設計されていたが、MapAnything は単一モデルで複数タスクを統合。 - 多様な datasets にわたる supervision と training の標準化、柔軟な input augmentation により、幅広い 3D vision tasks を一つの feed-forward pass で解決。 - 実験で specialist feed-forward models を上回るか同等の性能を示し、より効率的な joint training behavior を実現。

- transformer-based の feed-forward model で、画像と任意の幾何入力（camera intrinsics、poses、depth、partial reconstructions）を受け取る。 - 多視点 scene geometry を factored representation（depth maps、local ray maps、camera poses、metric scale factor）として表現。 - metric scale factor により局所再構成を globally consistent な metric frame に変換。 - 多様な datasets 間で supervision と training を標準化し、flexible input augmentation を適用。

- extensive experimental analyses と model ablations を実施。 - MapAnything が specialist feed-forward models を上回るか同等の性能を示すことを確認。 - より効率的な joint training behavior も示された。 - 具体的なデータセット名や評価指標は要旨からは不明。

- 単一の feed-forward pass で幅広い 3D vision tasks を扱える universal 3D reconstruction backbone への道を開く可能性を主張。 - 効率的な joint training behavior について言及。 - 限界や失敗ケース、計算コスト、汎化性に関する具体的な議論は要旨からは不明。

- 要旨で参照/比較されている個別の研究名は明示されていない。 - 関連手法として、structure-from-motion、multi-view stereo、monocular depth estimation、camera localization、depth completion の分野の定番手法や、feed-forward 3D reconstruction の代表的研究（例: DUSt3R、VGGT など）を次に読む候補として挙げられる。 - ただし要旨にこれらの固有名は記載されていないため、一般名としての分野・手法カテゴリを挙げるにとどめる。