Depth Anything 3
PulseAugur coverage of Depth Anything 3 — every cluster mentioning Depth Anything 3 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
RayTun3R 将 3D 基础模型适配鱼眼相机
研究人员开发了 RayTun3R，一种将现有 3D 基础模型适配于鱼眼相机图像的新颖方法。这些模型通常在标准针孔相机上表现良好，但在处理鱼眼镜头提供的更宽视场时性能会显著下降。RayTun3R 通过对预训练模型中的轻量级组件（特别是与位置编码和预测网格坐标相关的组件）进行最小的调整来解决这个问题，同时保持核心网络不变。这种参数高效的方法，仅需要 10,752 个可训练参数，即可快速学习并应用于后续帧，而不会增加推理时间，从而显著降低了旋转误差。
-
S-Agent框架增强VLMs进行3D空间推理 · 跟踪4个来源
研究人员推出S-Agent，一个旨在增强视觉语言模型（VLMs）在3D环境中进行空间推理的新框架。S-Agent整合了时间记忆和一系列空间工具，能够从多视图图像中持续理解3D世界，超越了静态、帧级别的分析。该框架允许VLMs充当语义规划器，决定需要什么证据，而空间工具则将物体定位在2D，将其提升到3D，并将这些信息聚合为空间知识。实验表明，S-Agent在无需重新训练的情况下就能改进开源和闭源VLMs，并且经过微调的版本S-Agent…
-
PaGeR框架改编3D模型以进行360度全景场景重建
研究人员开发了PaGeR框架，该框架能够将最初为透视图像设计的现有3D基础模型改编，以从单个全景图像重建完整的360度场景。这种方法允许对尺度不变深度、度量深度、表面法线和天空掩码进行统一的单通道估计。通过最小化架构更改并混合使用透视和全景数据进行训练，PaGeR保留了底层模型的3D先验，同时实现了360度场景的统一估计，并达到了最先进的性能。
-
Spark3R 通过非对称令牌缩减加速三维重建
研究人员开发了 Spark3R，一个旨在加速利用 Vision Transformers 的前馈三维重建模型的新框架。该方法通过采用非对称令牌缩减策略来解决处理大量视频输入带来的计算挑战。这种方法根据查询和键值令牌的不同作用选择性地压缩它们，从而在无需重新训练模型的情况下实现显著的加速。
-
深度先验增强机器人穿越玻璃表面的导航能力
研究人员开发了一个新框架，以改善机器人在有玻璃表面的环境中的导航能力。该方法利用深度基础模型作为结构先验，并通过基于RANSAC的方法将其与原始传感器深度数据对齐。该技术能有效过滤掉来自玻璃的错误测量数据并恢复准确的度量尺度，在挑战性条件下表现优于现有方法。一个专门为玻璃区域地面真实情况设计的新数据集GlassRecon将随代码和数据集一同发布。
-
AirZoo数据集提供大规模航空3D视觉训练数据
研究人员推出了AirZoo，这是一个旨在解决航空几何3D视觉任务训练数据稀缺性的大规模数据集。该数据集采用可扩展的3D网格生成管线，涵盖22个国家的378个地区的广泛场景多样性，并包含丰富的标注，如度量深度和6-DoF位姿。AirZoo已被证明能显著提升航空图像检索、跨视图匹配和多视图3D重建领域的最新模型性能。