Multi-view perception上級
SNAP、新規視点合成から幾何表現を学ぶ自己教師ありモデル、デコーダ制約で下流5タスクに競合
本研究は新規視点合成(NVS)を自己教師あり幾何表現学習に用いるSNAPを提案したプレプリントである。SNAPは凍結DINOv3特徴を入力とし、デコーダの受容野を1×1に制限し、RGBではなく潜在特徴を予測することで、エンコーダに幾何構造を押し込む。5つの下流タスク(点対応、視覚的局在化、相対姿勢推定、相対深度推定、ロボット操作)で自己教師あり手法を上回り、幾何学教師ありVGGTに匹敵する結果を示した。