ECCV 2026論文：長い動画の3D復元ずれを60%以上削減、追加学習部分は全体の約1%

結論から言うと、長い動画からその場で3D空間を復元するとカメラ位置の小さな誤差が積み重なる問題に対し、平均位置誤差を60%以上減らす手法「Scal3R」が提案されました。2026年9月3日にarXivへ掲載され、ページにはECCV 2026論文と明記されています。

従来法は最初の1場面だけを基準に後のカメラ位置を求めるため、学習時より長い動画では予測範囲が外れ、形が崩れやすい問題がありました。Scal3Rは複数の過去キーフレームを基準に相対位置を問い合わせ、同じ場所へ戻ったことを検出するループ閉鎖と位置関係の最適化を組み合わせます。元のAI部分は固定し、学習する軽量トークンは全パラメータの約1%です。

単一GPUで8時間で収束し、KITTIではオンライン基準法より平均ATEを60%以上削減しました。Virtual KITTI、Sintel、TUM-Dynamic、ScanNet、7-Scenesでも最先端結果を報告しています。スマホ映像からの3D化、ロボットやARの地図作りでは、長く歩いた後も空間の形を保ちやすくなる可能性があります。

ただし60%以上という値はKITTI上の特定基準法との比較で、端末上の速度や実環境での安全性を保証する数字ではありません。利用条件や再現性は論文と公開プロジェクトで確認が必要です。