BVUIPS
+
8BOH
FU
BM QSFTFOUFS
!QFJTVLF VGGT: Visual Geometry Grounded Transformer 第64回 コンピュータビジョン勉強会＠関東 CVPR2025読み会(前編) 

⾃⼰紹介 藤本 敬介 ABEJA CEO室/Labs ラボ⻑ ▷ 経歴 2010-2016：⽇⽴製作所 2016-：ABEJA ▷ SNS X：@peisuke github：@peisuke Qiita：peisuke ▷ 著書 ディープラーニングG検定公式テキスト AI⽩書2023, 2025 

1 2 3 論⽂の背景‧動機 ⼿法の詳細 実験 

論⽂の概要 • ⽬的 • 画像からのカメラ姿勢推定‧3D復元を⾼速‧⼤規模に実現 • 貢献 • end-to-endで1つのネットワークで姿勢推定‧画像対応付 け‧3D復元を同時に⾏う • 結果 • 1枚から200枚までの画像で、1秒未満〜数秒程度での実⾏が 可能、DUSt3Rなどの既存⼿法よりもロバスト‧⾼精度 

動かしてみた！ • 画像13枚からの復元 

動かしてみた！ • 画像1枚からの復元 

既存研究との⽐較：SfM + MVS • SfMとMVSを⽤いた3D復元 • 特徴量抽出に基づく対応付け、姿勢推定などの多段階の処理 • どこかの段階でミスが発⽣すると後の処理に影響 • ⼤規模な復元には⼤きな計算コストが必要 画像特徴量抽出＆対応付け 姿勢推定‧特徴点3D復元 密な3D復元 Structure from Motion Multi View Stereo 

既存研究との⽐較：機械学習 • DUSt3R • 幾何学の処理を全てニューラルネットで⾏い、複数画像から 直接点群を出⼒する⼿法 • ⼀度に2枚の画像までしか処理できず、多数枚の結果を扱うに は誤差が蓄積、精度が⾼くない 

1 2 3 論⽂の背景‧動機 ⼿法の詳細 実験 

提案⼿法の概要 • end-to-endで多数枚の復元を実現、カメラ姿勢‧深度マッ プ、点群、画像対応付けの複数タスクを同時に解く 画像群 復元結果 カメラ姿勢、深度マップ、点群、対応付け 

ネットワークアーキテクチャ 

Backbone network 

Backbone network • DINO v2を⽤いてパッチ化、画像毎にK個のトークンに変換 • モデルはViT、教師なしでの⼤規模な事前学習済みモデル • ⾃⼰蒸留により良い特徴量抽出を実現 

Add Token 

Add Token • 座標系の中⼼となる1つめのカメラとそれ以外を区別する 学習可能なトークンを付与 CameraToken: nn.Parameter(1,C) RegisterToken: nn.Parameter(R,C) Shared I1 I2 I3 

Register Token • 画像パッチのトークンに加えて、余分なトークンを追 加すると、特徴抽出の精度が向上する⼯夫 w/o w/ Headの1つから抽出された特徴、RegToken を利⽤すると低ノイズでの抽出が可能 

Alternating-Attention 

Alternating-Attention • フレーム内トークンでAttentionを当てるブロックと全 フレームでAttentionを当てるブロックを交互に配置 Frame Attention Global Attention 

Alternating-Attention • 実装イメージ • Frame Attention : シーケンス⻑P（パッチ数） • Global Attention : シーケンス⻑S x P（画像数 x パッチ数） 

カメラ姿勢 

カメラ姿勢 • Alternating-Attentionの先頭のカメラトークンから Camera headのネットワークを通して、姿勢情報に変換 各カメラの姿勢情報: qx, qy, qz, qw, tx, ty, tz, fx, fy AA Blockの出⼒Camera Token部分のみを利⽤ 

Camera Head • N個のTransformerとMLPで何度か繰り返しRefineし、 カメラパラメータを出⼒ N x Transformer block MLP Scale Shift & adaLN modulation M times 

深度マップ‧点群 

深度マップ‧点群 • 各画像のパッチに相当するトークンからDense Prediction Transformer (DPT) を通して深度マップ/点 群を直接出⼒ DPT 

Dense Prediction Transformer • 画像パッチトークンから密な画像を出⼒するアーキテ クチャ https://arxiv.org/abs/2103.13413 

画像間対応付け 

画像間対応付け • DPTで各ピクセルの特徴量を出⼒、画像間で類似した 特徴を探すことで対応付けを⾏う • CoTracker2のアーキテクチャを利⽤ https://arxiv.org/abs/2307.07635 

ロス関数（1/2） • 各タスクのロスを⾜し合わせ • カメラ • クォータニオン‧位置‧FOVに関するHuberロスを利⽤ 

ロス関数（2/2） • 深度マップと点群 • 正解との差異に加え、Aleatoric uncertaintyを利⽤ • 画像対応付け • 正解となる対応との画像上の距離‧可視性に関するBCEを利⽤ 

1 2 3 論⽂の背景‧動機 ⼿法の詳細 実験 

データセット データセット データ量 Co3Dv2 1.5M frames BlendMVS 17K frames DL3DV 10K frames MegaDepth 196 locations Kubric ??? WildRGB 20K videos ScanNet 2.5M frames HyperSim 77K frames データセット データ量 Mapillary 25K Habitat 1000 locations Replica 18 locations MVS-Synth 12K frames PointOdyssey 300K frames Virtual KITTI 21K Aria Digital Twin 200 sequence Objaverse ??? ※データ量は各論⽂を参照して個別調査、数値は間違っているかもしれません • 屋内‧屋外環境を含むさまざまな領域をカバー、合成 シーンと実世界のシナリオの両⽅を網羅 

計算リソース • 1.2Bパラメータのモデル • 64枚のA100で9⽇間学習 • 各バッチ内では2-4フレームで学習 

実験：復元結果 

実験：復元結果 

実験：カメラ姿勢推定 • 評価データ • CO3Dv2 • RealEstate10K • 回転精度と並進精度を統合 したAUCという指標で評価 • Bundle Adjustmentと組み 合わせるとより⾼精度に 

実験：深度マップ推定 • 評価データ • DTU • 同条件のDUS3Rと⽐較 して圧倒的に⾼性能 • カメラに関する情報が 既知の⼿法に迫る精度 Known GT Camera Unknown GT Camera 

実験：点群推定 • 評価データ • ETH3D • 評価⼿法 • 点群間のs, R,Tを合わせ、 Chamfer距離で評価 • 他の⼿法よりも⾼精度、特 に深度マップから復元した 点群が最も⾼精度 

実験：画像対応付け • 評価データ • ScanNet • マッチングした対応点から 推定したカメラ姿勢で精度 評価 • 他⼿法よりも総じて良い⼿ 法 

実験：速度とメモリ • 1枚のみの場合0.04s‧1.8GB、200枚でも8.75秒‧41GB 

ダウンストリームタスク 

おわりに • end-to-endで複数枚画像から3D復元を実現するVGGT を紹介 • ディープでポンでSfMやMVSができ、その上で⾼精度‧ 省メモリ‧⾼速 • すごい！（⼩並感）