AI 2024.12 Hiroki Kawauchi 株式会社ディー・エヌ・エー 最近のSfM手法まとめ COLMAP, GLOMAP, DFSfM, VGGSfM, ACE0, MASt3R-SfM

AI 2 自己紹介 河内大輝 /Hiroki Kawauchi AIエンジニア・データサイエンティスト（社会人2年目） @DeNA …ゲームなどでの、LLM・Computer Visionを用いたAIプロダクト開発 @大学時代/インターン/個人開発 まちづくり・交通分野 × AI …3D都市モデルとAI Agentを用いた、まちづくりのためのアプリ開発 …衛星画像を用いた、物流モニタリングシステムの新規事業開発 宇宙利用・脱炭素分野 × AI …衛星画像を用いた、森林・炭素吸収モニタリングシステム開発 …衛星画像からの物体検出モデル研究[Kawauchi & Fuse, 2022] linkedin.com/in/hiroki-kawauchi https://github.com/hiroki-kawauchi https://x.com/kwchrk_

AI 3 項目 01｜Structure-from-Motion（SfM） 02｜Incremental SfM (COLMAP) 03｜Global SfM (GLOMAP) 04｜学習ベースSfM 05｜課題・まとめ

AI 4 01 Structure from Motion（SfM）

AI 5 Structure from Motion（SfM）とは ▪ 複数枚の画像から、撮影したカメラポーズ（パラメータ）と 3次元構造を推定する手法群 ▪ 3次元構造は、基本的に疎な点群として出力 利用用途 ▪ 3D Reconstruction（点群→3Dジオメトリ・ポリゴン化） ▪ 3D Visualization ▪ Multi-View Stereo（MVS：疎→密な点群を推定） ▪ Novel View Synthesis（NeRF・3DGS：自由視点画像合成） ▪ これらは疎な点群とカメラポーズを入力 ▪ Camera Relocalization ▪ 3次元点群（地図）と画像をマッチングしてカメラ位置推定 Structure from Motion（SfM） 図・出典：https://www.youtube.com/watch?v=JpSSMMMreko

AI 6 SfMに似た手法群の分類 ▪ Visual SLAM（Simultaneous Localization And Mapping） ▪ VO（Visual Odometory） ▪ VOは局所移動量の推定に主眼 （ループクロージングもなし） ▪ 本資料ではVisualSLAMやVOは扱わない（狭義のSfM） SfM・Visual SLAM・VO 図・表出典 ：https://speakerdeck.com/ksakurada/visual-slamru-men-fa-zhan-falseli-shi-toji-chu-falsexi-de

AI 7 SfM手法のおおまかな分類 SfM手法分類 出典：https://www.youtube.com/watch?v=JpSSMMMreko（改変） 分類 特徴点ベースSfM 学習ベースSfM Incremental SfM Global SfM 手法 ・Bundler[SIGGRAPH2006] ・VisualSfM[3DV2013] ・COLMAP[CVPR2016] ・OpenMVG[ICCV2013] ・Theia[2016] ・GLOMAP[ECCV2024] ・PixSfM[ICCV2021] ・VGGSfM[CVPR2024] ・DFSfM[CVPR2024] ・ACE0[ECCV2024] ・MASt3R-SfM[2024] 特徴 ・1枚ずつ画像を追加処理 ・ロバストだが効率↓ ・デファクト的(COLMAP) ・階層的にクラスタリングし 　て追加していく手法も ・全画像を一括処理 ・効率的だがロバスト性↓ ・少ない枚数でも動作 ・ロバストだが効率↓ ・特に学習時計算コスト↑

AI 8 02 Incremental SfM (COLMAP)

AI 9 速度・精度のバランスの取れたSfMのデファクトスタンダード手法：COLMAP ▪ ここではCOLMAPをベースにIncremental SfMの手順を説明する ▪ Library page: https://colmap.github.io/ ▪ Paper: https://openaccess.thecvf.com/content_cvpr_2016/papers/Schonberger_Structure-From- Motion_Revisited_CVPR_2016_paper.pdf ▪ Code: https://github.com/colmap/colmap COLMAP[Schönberger & Frahm, CVPR2016]パイプライン Incremental SfM 図・出典：https://colmap.github.io/tutorial.html

AI 10 Feature Extraction & Matching ▪ 疎な特徴点（キーポイント検出+特徴量記述）を抽出 ▪ COLMAP：回転・拡大縮小・照明変化に頑健で軽量なSIFT（派生のRootSIFT） ▪ 近年はSuperPoint、DISK、ALIKEDなども ▪ オーバーラップした画像ペアでマッチング ▪ 特徴点をベースにマッチングを行う ▪ 近年はSuperGlueや派生のLightGlueなど ▪ cf) LoFTR等のキーポイント不要の密なマッチング手法も ▪ 但し、異なるペアでマッチングの一貫性が得られず、COLMAPとは相性悪い* ▪ cf) オーバーラップした画像ペア選択にGlobal Featureを用いて類似度を測ることも ▪ Kaggle IMCコンペ2024では、NetVLADやDINOv2など* COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf *出典 ：https://zenn.dev/yume_neko/articles/050c204c3afd20 下図・出典：https://colmap.github.io/tutorial.html

AI 11 Geometric Verification ▪ 射影変換を推定・分解して、画像間の対応関係（相対回転・並進）を計算 ▪ 画像間の対応関係を結んだグラフをシーングラフと呼ぶ ▪ RANSAC等で外れ値除去も行い、ロバストに推定する COLMAP [Schönberger & Frahm, CVPR2016] 右図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 12 Geometric Verification ▪ 射影変換のモデルは、基礎行列F・基本行列E・ホモグラフィ行列Hの３つ ▪ 内部パラメータ既知：キャリブレーション：E、未知：F ▪ Planar・Panoramicな場合は行列が縮退するためHが推定に適する COLMAP [Schönberger & Frahm, CVPR2016] 上表/図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 13 COLMAP [Schönberger & Frahm, CVPR2016] 図・出典：https://colmap.github.io/tutorial.html Geometric Verification ※基礎行列F・基本行列E・ホモグラフィ行列Hなどの詳細は↓などが詳しい ▪ 櫻田健（2021）「Visual SLAM入門 〜発展の歴史と基礎の習得〜」p.56~ ▪ この後の三角測量・バンドル調整の詳細などもこちらを参照されたい ▪ https://speakerdeck.com/ksakurada/visual-slamru-men-fa-zhan-falseli-shi-toji-chu-falsexi-de ▪ 他、（書籍）「ディジタル画像処理 [改訂第二版]」など

AI 14 Geometric Verification ▪ COLMAPでは、ロバスト性向上の工夫（Scene Graph Augmentation） ▪ ①Panoramicな画像ペアを見つける ▪ 焦点距離・基礎行列Fが求まらない→後の三角測量で使わないように ▪ [1]3つのモデルでGeometric Verificationを行い、Inlierの数Nを求める ▪ 基礎行列　　、基本行列　　、ホモグラフィ　　個 ▪ RANSAC等を用いて、外れ値に頑健に推定 ▪ [2]　　　　　　　　のとき、正しいシーンと判定 ▪ [3](キャリブレーション正)かつのとき、三角測量した際の角度の 　　メディアン値を用いてpanoramicか判定 COLMAP [Schönberger & Frahm, CVPR2016] 右図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 15 Geometric Verification ▪ ②WTFs（Watermark, Timestamp, Frames）が含まれる画像を除外 ▪ COLMAPは、ネット上の画像を用いた復元を目指した手法だったため ▪ [1]画面端でのInlierの数 ▪ [2]　　　　　　　　　　　　　　のとき、WTFsが含まれていると判定　 COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典 ：https://www.vision.rwth-aachen.de/media/papers/weyand-tsai- wacv15.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 16 Reconstruction Initialization ▪ 初期画像ペアで3次元点群の初期ペアを算出 ▪ 初期値はロバスト性、精度等に大きな影響を与える ▪ 一般的に、オーバーラップが大きい画像ペアで密に取れるとロバストで正確 ▪ Panoramicでないペアを選択し、三角測量・バンドル調整（後述）を行う ▪ →初期ペアのカメラパラメータ・3次元復元結果を得る COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 17 Image Regstraion ▪ 3次元モデルに新しい画像を1枚ずつ登録 ▪ PnP問題として解く ▪ 入力：3次元位置を算出済みの点・新しく登録する画像の特徴点 ▪ 出力：カメラポーズ（外部パラメータ）・内部パラメータ（未キャリブレーションの場合） ▪ COLMAP：EPnP法で解く COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 18 Image Regstraion ▪ COLMAP：追加する画像選択の工夫（Next Best View Selection） ▪ 良い画像=可視特徴点が豊富、かつ、画面全体に均等に分布、を測るスコアSを提案 ▪ 画面をL階層に四分木分割 ▪ 階層l（l=1,,,L）可視点有無バイナリ ▪ ▪ 最もSが大きい画像がベスト ▪ →可視特徴点のtrackを増やして 　ロバストに COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典・参考 ：https://www.slideshare.net/slideshow/20160724cvsfmrevisited/ 64319302 下図・出典：https://colmap.github.io/tutorial.html

AI 19 Triangulation（三角測量） ▪ COLMAP：RANSACを用いたロバストで効率的な三角測量 ▪ COLMAP：RANSACを用いた三角測量を導入（outlier対策） ▪ 十分にコンセンサスが取れた点を除外する（計算コスト対策） COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html

AI 20 Bundle Adjustment（バンドル調整） ▪ 再投影誤差を最小化してモデルを修正 ▪ 再投影誤差=画像上の座標とカメラパラメータ/3次元特徴点から算出した座標の誤差 ▪ この処理を行わないと3次元モデルが破綻 COLMAP [Schönberger & Frahm, CVPR2016] 上図・出典 ：https://demuc.de/tutorials/cvpr2017/sparse-modeling.pdf 下図・出典：https://colmap.github.io/tutorial.html πは内部パラメータ

AI 21 Bundle Adjustment（バンドル調整、BA） ▪ COLMAP：BA前後に三角測量+外れ値除去を反復的に行い、ロバスト性↑ ▪ COLMAP：Redundant View Miningによる効率化 ▪ ①Incremental処理の中で、affect/unaffectな画像に分類 ▪ Affect: 直前に追加された or 外れ値が一定以上含まれる画像 ▪ ②Unaffectな画像を視野のオーバラップが大きな画像グループに集約 ▪ ③Unaffectなグループ内の画像は代表的なパラメータに集約 COLMAP [Schönberger & Frahm, CVPR2016] 参考： https://www.slideshare.net/slideshow/20160724cvsfmrevisited/6 4319302 下図・出典：https://colmap.github.io/tutorial.html

AI 22 性能評価 ▪ 実行時間：Global SfM（Theia）の1~4倍 ▪ 推定精度：従来のIncremental SfM（Visual SfM）と同程度 ▪ ロバスト性：平均track lengthが長く、BAにおける冗長性が高く詳細までロバストにカバー COLMAP [Schönberger & Frahm, CVPR2016] 表・出典：https://arxiv.org/pdf/2407.20219

AI 23 03 Global SfM

AI 24 Global SfM 一般的なGlobal SfMのパイプライン ▪ ①画像群全体での類似度ベースでオーバーラップ画像の組を推定 ▪ ②特徴点抽出とマッチング ▪ ③画像間の相対的な回転・並進の推定 ▪ ④回転・並進平均化（rotation・translation averaging）等によるGlobalな並進・回転の整合 ▪ ⑤Globalな（三角測量・）バンドル調整 ▪ →一般にIncremental SfMより（並列化でき）速度↑だが、精度・ロバスト性↓ 図・出典： https://lpanaf.github.io/assets/poster/eccv24_glomap_poster.pdf

AI 25 OpenMVG・Theia 効率性の高いGlobal SfMにおける主要ライブラリ ▪ OpenMVG ▪ Library page:https://openmvg.readthedocs.io/en/latest/ ▪ openMVGはIncremental/Global SfM両方実装 ▪ Paper:https://openaccess.thecvf.com/content_iccv_2013/papers/Moulon_Global_Fusi on_of_2013_ICCV_paper.pdf （OpenMVGのGlobal SfM機能として実装されている手法） ▪ Theia ▪ Library page:http://theia-sfm.org/（TheiaもIncremental/Global SfM両方実装） 図・出典： https://lpanaf.github.io/assets/poster/eccv 24_glomap_poster.pdf

AI 26 COLMAP並のロバスト性と、GlobalSfMの高速性の両立を目指した手法 ▪ ここではGLOMAPをベースにGlobal SfMの手順を説明する ▪ Project page: https://lpanaf.github.io/eccv24_glomap/ ▪ Paper: https://arxiv.org/pdf/2407.20219 ▪ Last authorのSchönbergerはCOLMAP論文のfirst author ▪ COLMAP: Structure-from-Motion Revisited ▪ GLOMAP: Global Structure-from-Motion Revisited ▪ Code: https://github.com/colmap/glomap ▪ COLMAPと同様のオーナー・リポジトリ構成で展開（※2024/11現在GPUサポートなし） パイプライン GLOMAP [Pan et al, ECCV2024] 図・出典： https://lpanaf.github.io/ass ets/poster/eccv24_glomap _poster.pdf

AI 27 Feature Extraction & Matching ▪ COLMAPと同様 Two-view Estimation（Geometric Verification） ▪ エピポールに近い特徴点や、三角測量角度が小さい特徴点もノイズが大きくなるので除外 View Graph Calibration ▪ 未キャリブレーションの場合、基礎行列Fから焦点距離fを推定 Relative Pose Decomposition ▪ 推定されたfから基本行列Eを再度推定 ▪ 相対的なカメラポーズ（並進・回転）=シーングラフを推定 GLOMAP [Pan et al, ECCV2024] 図・出典： https://www.youtube.com/watch?v=JpSSMM Mreko

AI Rotation Averaging ▪ 各カメラの絶対的な回転成分　　・カメラiからjを見た相対的な回転　　とする ▪ 前のステップで推定したカメラ間の相対回転　　を元に、カメラの絶対的な回転成分　　を推定 ▪ 目標：以下の最適化問題を解く ▪ すべての相対回転について　　　　　　 （幾何的条件）を満たすすべての　　を推定する ▪ 目的関数 ▪ ρ:ロバスト化関数（Huberなど）, d:距離関数, p:ノルム次数 28 GLOMAP [Pan et al, ECCV2024] 右図・出典 ：https://www.slideshare.net/slideshow/linfinity-slam 43d/132892018 下図・出典： https://www.youtube.com/watch?v=JpSSMMMreko

AI 29 GLOMAP [Pan et al, ECCV2024] 図・出典： https://www.youtube.com/watch?v=JpSSMM Mreko Rotation Averaging ▪ 最適化の手法 ▪ 最適化の枠組みは、以下の[Chatterjee et al, ICCV2013]のものを利用（Theiaと同じ） ▪ Chatterjee et al, “Efficient and Robust Large-Scale Rotation Averaging”, ICCV2013 ▪ ①Lie代数を用いて局所線形化した回転量の連立方程式を解き、 全回転を同時最適化するアルゴリズム ▪ ② ①について、以下で2種類の手法で2段階に最適化 ▪ [1]外れ値にロバストなL1ノルム最小化 ▪ [2]外れ値に鋭敏だが精度の良い貪欲法

AI Rotation Averaging ▪ ※基準を決めないとシーングラフ全体の絶対的な回転は決められない（ゲージ自由度） ▪ ある1つの　　=I（単位行列）となるように絶対座標を設定することで対処 ▪ それでもその　　の3軸周りに回転させる自由度は残ってしまう ▪ 実用上はその自由度を残しても１つの最適解は得られる ▪ Ground Truthのカメラポーズ等と比較するときは、最も近づく変換を噛ませてから比較 ▪ GLOMAPコードには、重力センサデータを用いて自由度3→1に減らす手法も実装 ▪ Pan et al,”Gravity-aligned Rotation Averaging with Circular Regression”, ECCV2024 ▪ (GLOMAPと同じ著者) ▪ Paper: https://arxiv.org/abs/2410.12763 30 GLOMAP [Pan et al, ECCV2024] 図・出典： https://www.youtube.com/watch?v=JpSSMM Mreko

AI 31 Global Positioning ▪ Globalな三角測量とカメラ並進成分推定を同時に行う ▪ OpenMVG・TheiaはTranslation Averaging（TA；並進成分推定のみ）後でGlobal三角測量 ▪ 並進成分単体で最適化するTAはいくつか推定が困難な場合（後述）がある GLOMAP [Pan et al, ECCV2024] 図・出典： https://www.youtube.com/watch?v=JpSSMM Mreko

AI 32 Global Positioning ▪ 並進成分を三角測量と一体的に推定したいが、バンドル調整のような再投影誤差は最適化に困難性 ▪ 非凸性が高く初期値に敏感・非有界で外れ値に敏感→ロバスト性↓ ▪ BATA Loss[1]（カメラ光線に関する誤差関数）による最適化を採用 ▪ X:点kの3次元位置, c:カメラiの3次元位置, d:正規化係数, ▪ : カメラiから点kを観測するカメラ光線 ▪ 非線形最小二乗法（Levenberg-Marquardt法）を用いて最適化 ▪ メリット ▪ 双線型形式：ランダムな初期値（X,cは一様分布・dは1）でも安定的に収束 ▪ 有界な誤差関数：最適なdを選ぶと、誤差項は[0,1]となり有界で、外れ値に頑健 ▪ 2つの光線がなす角θとすると誤差項は以下と等価 GLOMAP [Pan et al, ECCV2024] [1]Zhuang, et al., ”Baseline desensitizing in translation averaging.”. CVPR2018

AI 33 Global Positioning ▪ Translation Averagingで困難な場合でも対応 ▪ 内部パラメータが不正確な場合にもロバスト ▪ Translation averagingでは相対並進成分の推定に内部パラメータが必要 ▪ Co-linearな（同一直線状を動く）場合にもロバスト ▪ Translation Averagingでは、2視点間の相対的な 並進ベクトルからカメラの絶対位置を推定 ▪ Co-linearな場合不良設定となり不安定化 GLOMAP [Pan et al, ECCV2024] 図・出典： https://www.youtube.com/watch?v=JpSSMM Mreko

AI 34 Global Bundle Adjustment ▪ ここまでで求まった、絶対カメラポーズと3Dモデルを再度調整 ▪ バンドル調整前に角度誤差に基づいて3次元点をフィルタリング ▪ 未キャリブレーションカメラについては大きめの誤差を許容 ▪ Levenberg-MarquardtとHuber損失を用いたGlobalバンドル調整を複数回実行 ▪ カメラ内部パラメータが事前に分かっていない場合、精度が制限される ▪ カメラ回転成分を固定→内部パラメータと並進成分を最適化 ▪ 再投影誤差によって特徴点（トラック）をフィルタし、その割合が0.1%未満で停止 GLOMAP [Pan et al, ECCV2024] 図・出典： https://www.youtube.com/watch?v=JpSSMM Mreko

AI 35 性能評価 ▪ キャリブレーション済みの場合 ▪ 精度（ロバスト性）：COLMAPと同等以上の3次元復元 ▪ 実行速度：Theia(2倍)>GLOMAP~OpenMVG>(2~30倍)>COLMAP ▪ GLOMAP [Pan et al, ECCV2024] 図・出典 ：https://www.youtube.com/watch?v=JpSS MMMreko

AI 36 性能評価 ▪ 未キャリブレーションの場合 ▪ 精度（ロバスト性）：COLMAPと同等以上の3次元復元 ▪ 実行速度：Theia(2倍)>GLOMAP~OpenMVG>(2~4倍)>COLMAP ● 10,000枚の画像・H100x8[1] ○ COLMAP 50時間 vs GLOMAP 16時間 ■ Pararell image matching & indexingを実装したとのこと ● 1,276枚・キャリブレーション済み・64GB CPU[2] ○ 22分07秒 ● 100枚の画像・キャリブレーション済み・32GB M2 Macbook Pro CPU ○ 40秒程度・メモリMAX3% ○ cf)COLMAP: 240秒・メモリMAX2% GLOMAP [Pan et al, ECCV2024] [1]:https://www.linkedin.com/posts/huguens-je an-b82186b4_glomap-vs-colmap-google-verte x-ai-model-activity-7240502288614633472-co 9i/ [2]https://note.com/ngc_shj/n/n81b0f0f7fd3c

AI 37 04 学習ベースSfM

AI 38 Kaggle Image Matching (IMC) 2023（カメラポーズ推定）で1位手法 ▪ 特徴点を用いないことで、テクスチャが少ないシーンにも頑健なSfM ▪ Project page: https://zju3dv.github.io/DetectorFreeSfM/ ▪ Paper: https://arxiv.org/abs/2306.15669 ▪ Code: https://github.com/zju3dv/DetectorFreeSfM DF(Detector-Free)SfM [He et al, CVPR2024] 図・出典：https://arxiv.org/abs/2306.15669

AI 39 特徴点検出器を用いないことで、テクスチャが少ないシーンにも頑健なSfM ▪ Detectorを用いず、密なマッチングマッチング→量子化してマッチング ▪ Coarseな推定→iterativeにrefineするという多段構成 ▪ バンドル調整に加えて、トポロジー調整により3次元モデルのrefinement DF(Detector-Free)SfM [He et al, CVPR2024] 図・出典：https://arxiv.org/abs/2306.15669

AI 40 性能評価・テクスチャが少ない場合にも頑健。処理時間はCOLMAPの6倍。 ▪ カメラポーズ推定・3次元復元ともに従来の学習ベース手法（PixSfM）より改善 ▪ 従来の学習ベースの手法に比べてテクスチャが少ない状況でも良好な推定結果（下図） ▪ 計算時間・メモリ ▪ 学習：V100 GPU・約30時間 ▪ 推論 ▪ 時間：画像約15000枚のシーンで、COLMAPの約6倍（3.2時間vs19.7時間） ▪ BA時のメモリ：画像約2000枚のシーンで、PixSfMの約1/10（21.2GBvs2.63GB） DF(Detector-Free)SfM [He et al, CVPR2024] [表・出典：https://arxiv.org/abs/2306.15669

AI 41 Meta・Kaggle Image Matching (IMC) 2024（カメラポーズ推定）で1位手法 ▪ Kaggle Image Matching 2024（カメラポーズ推定）でトリック除いた項目で1位[1] ▪ ※メモリ制限のため、COLMAPで得たトラックをVGGSfMのモジュールでrefine ▪ Project page: https://vggsfm.github.io/ ▪ Paper: https://arxiv.org/abs/2312.04563 ▪ Code: https://github.com/facebookresearch/vggsfm ▪ Non-Commercialライセンス VGGSfM [Wang et al, CVPR2024] [1]・図・出典：https://www.youtube.com/watch?v=KG-_i12fU_A

AI 42 E2E微分可能・Global SfM的に全画像について同時推定 ▪ E2E微分可能・Global SfM的にすべての画像について同時推定 ▪ 画像ペアのmatchingではなく、point trackingで特徴点を追う ▪ その後Deepカメラポーズ推定・三角測量・バンドル調整 ▪ 理論的には一括処理可能だが、実装上はバッチ処理で学習・推論 ▪ Point Tracking ▪ 入力：クエリポイントを含む複数画像→出力：各画像間の対応点のトラック ▪ Coarse Tracker→fine Trackerで処理 VGGSfM [Wang et al, CVPR2024] 図・出典 ：https://arxiv.org/abs/2312.04563

AI 43 性能評価 ▪ 計算時間・メモリ ▪ スケーラビリティに制約（3-30枚に最適化・数千枚規模の処理は難しい） ▪ 学習：32 NVIDIA A100(80GB) ▪ 推論：1 NVIDIA A100・25フレーム/4096クエリポイントで5秒程度 ▪ 性能（表はカメラポーズ精度） ▪ 既存のCOLMAP（SIFT）を大きく上回る精度・学習ベースでもトップレベルの性能を実現 VGGSfM [Wang et al, CVPR2024] 表・出典 ：https://arxiv.org/abs/2312.04563

AI 44 Niantic・自己教師あり学習を用いた高速な学習ベースSfM ▪ Project page: https://nianticlabs.github.io/acezero/ ▪ Paper: https://arxiv.org/abs/2404.14351 ▪ Code: https://github.com/nianticlabs/acezero ▪ Non-Commercialライセンス ACE0 [Brachmann et al, ECCV2024] 図・出典 ：https://arxiv.org/abs/2404.14351

AI 45 Niantic・自己教師あり学習を用いた高速な学習ベースSfM ▪ 画像からシーンの3D座標をNNで直接予測 ▪ 先行手法のACE[CVPR2023]の枠組みを利用 ▪ カメラパラメータのRefinementもNNで行う ▪ 予測された3D座標・カメラパラメータを用いた再投影誤差を最小化（自己教師あり学習） ▪ 再投影誤差による最適化と、RANSAC+PnPによるカメラポーズ推定を交互に繰り返す ACE0 [Brachmann et al, ECCV2024] 図・出典 ：https://arxiv.org/abs/2404.14351

AI 46 性能評価・NeRFによるNovel View Synthesis性能の評価 ▪ カメラポーズ等の直接的な評価ではなく、SfM結果を用いたNeRFのNVS性能評価比較を行っている ▪ Scaniverseなどを提供するNianticなので、主にNVSに関心があったのでは ▪ ※COLMAPを正とした簡単な比較はある ▪ NVS性能では、COLMAPと同等の性能（PSNR/SSIM/LPIPS）を実現 ▪ 計算時間・メモリ ▪ GPU前提ではあるがCOLMAPよりも大幅に高速（特に画像枚数が多い場合） ▪ V100 1枚で実行可能 ACE0 [Brachmann et al, ECCV2024] 図・出典 ：https://arxiv.org/abs/2404.14351

AI 47 NAVER・3D基盤モデルDUSt3Rからの発展としてのSfM ▪ DUSt3R→MASt3R→MASt3R-SfM ▪ DUSt3R[CVPR2024]：画像ペアから点群を推定する3D基盤モデル ▪ MASt3R[ECCV2024]：DUSt3Rでは不正確だった特徴マッチングを明示的に追加学習 ▪ MASt3R-SfM：MASt3Rの後処理を精緻化することで高精度なSfMを実現 ▪ Paper page: https://arxiv.org/abs/2409.19152 ▪ Code: https://github.com/naver/mast3r/tree/mast3r_sfm ▪ Non-Commercialライセンス ▪ DUSt3R・MASt3R・MASt3R-SfMについては以下の資料が詳しいため、そちらを参照ください ▪ https://speakerdeck.com/spatial_ai_network/dust3r-mast3r-mast3r-sfm MASt3R-SfM[Duisterhof et al, 2024]

AI 48 05 課題・まとめ

AI 49 依然として残る課題：対称的・繰り返し模様への対応 ▪ 対称性が高い建物や繰り返しパターンのある場合にマッチングに失敗する Doppelgangers[Cai et al, ICCV2023] ▪ 2枚の画像が同じ3D表面かどうかをバイナリ分類するモデル・データセット(76,000枚)を提案 ▪ COLMAPで失敗した12/16例を正しく修正できた SfMの残る課題：対称的・繰り返し模様 図・出典：https://arxiv.org/pdf/2309.02420

AI 50 依然として残る課題：対称的・繰り返し模様への対応 Kaggle IMC2024では、MST（最小全域木）を利用した2段階のSfMも[1] ▪ 2nd solution ▪ ①Coarse Reconstruction ▪ 画像の類似度グラフを構築し、MSTを計算して間引き、SfMを実行 ▪ ②Fine Reconstruction ▪ ①の結果に、MSTに含まれない画像を加えていき、Outlierはフィルタ SfMの残る課題：対称的・繰り返し模様 [1]・図・出典：https://www.kaggle.com/competitions/image-matching-challenge-2024/discussion/510499

AI 51 ▪ SfMとは、複数枚の画像から、撮影したカメラポーズ（パラメータ）と 3次元構造（疎な点群）を推定する手法群 ▪ SfM（狭義）は、VisualSLAMやVOに対して、オフライン処理による 大域的な整合性を担保する手法群 ▪ SfMには、特徴点ベース・学習ベースの手法がある ▪ 特徴点ベースの中で、Increment/Global手法 ▪ COLMAPはロバスト性に強み・デファクト的 ▪ GLOMAPはCOLMAP並のロバスト性と高速性を両立（COLMAPの数倍） ▪ 学習ベースには、特徴点によらないMatching/Trackingを活用も ▪ 対称性・繰り返し模様への対応は未だに課題 ▪ 対象画像の分類やMSTなどを使った対処法も まとめ

AI 52 EOF