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再構成arXiv:2512.16919

運転視覚幾何Transformer

DVGT: Driving Visual Geometry Transformer

シェア:XThreadsFacebookLINEはてブBluesky

自動運転向けに、カメラパラメータ不要で多視点画像列からメートルスケールの密な3D点群と自車姿勢を推定するTransformerモデルを提案。

詳しい要約

1. どんなもの?

- 自動運転向けの密な3D幾何知覚モデル DVGT (Driving Visual Geometry Transformer) の提案。 - ポーズ未知の多視点画像列から、最初のフレームの ego 座標系における大域的な密3D点マップと各フレームの ego pose を再構成する。 - 異なるシナリオやカメラ構成に適応できる駆動向けモデルを目指す。

2. 先行研究と比べてどこがすごい?

- 従来手法は正確なカメラパラメータや明示的な3D幾何事前分布に依存していた。 - DVGT は明示的な3D幾何事前分布を必要とせず、任意のカメラ構成を柔軟に処理できる。 - 画像列から直接 metric-scaled な幾何を予測し、外部センサとの post-alignment が不要。 - nuScenes, OpenScene, Waymo, KITTI, DDAD の混合データで学習し、既存モデルを大きく上回ると報告。

3. 技術・手法の肝は?

- DINO backbone で各画像の視覚特徴を抽出。 - intra-view local attention、cross-view spatial attention、cross-frame temporal attention を交互に適用し、画像間の幾何関係を推論。 - 複数の head で、最初のフレームの ego 座標系における大域点マップと各フレームの ego pose をデコード。

4. どうやって有効だと検証した?

- nuScenes, OpenScene, Waymo, KITTI, DDAD を含む大規模な駆動データセットの混合で学習。 - 様々なシナリオで既存モデルを大きく上回る性能を示したと報告。 - 具体的な評価指標や比較手法の詳細は要旨からは不明。

5. 議論はある?

- 明示的な3D幾何事前分布や正確なカメラパラメータを不要にし、任意のカメラ構成へ適応できる点を主張。 - 外部センサとの post-alignment を不要にする metric-scaled 予測を実現。 - 限界や失敗ケース、計算コスト、データセット間の差異に関する議論は要旨からは不明。

6. 次に読むべき論文は?

- DINO (DINO backbone) - nuScenes, OpenScene, Waymo, KITTI, DDAD を用いた関連研究 - 多視点3D再構成の定番手法 (例: NeRF, 3D Gaussian Splatting) - 自動運転向けの密3D幾何知覚・depth estimation 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: Sicheng Zuo, Zixun Xie, Wenzhao Zheng, Shaoqing Xu, Fang Li, Shengyin Jiang, Long Chen, Zhi-Xin Yang, Jiwen Lu

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Perceiving and reconstructing 3D scene geometry from visual inputs is crucial for autonomous driving. However, there still lacks a driving-targeted dense geometry perception model that can adapt to different scenarios and camera configurations. To bridge this gap, we propose a Driving Visual Geometry Transformer (DVGT), which reconstructs a global dense 3D point map from a sequence of unposed multi-view visual inputs. We first extract visual features for each image using a DINO backbone, and employ alternating intra-view local attention, cross-view spatial attention, and cross-frame temporal attention to infer geometric relations across images. We then use multiple heads to decode a global point map in the ego coordinate of the first frame and the ego poses for each frame. Unlike conventional methods that rely on precise camera parameters, DVGT is free of explicit 3D geometric priors, enabling flexible processing of arbitrary camera configurations. DVGT directly predicts metric-scaled geometry from image sequences, eliminating the need for post-alignment with external sensors. Trained on a large mixture of driving datasets including nuScenes, OpenScene, Waymo, KITTI, and DDAD, DVGT significantly outperforms existing models on various scenarios. Code is available at https://github.com/wzzheng/DVGT.

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