表示
超・人工知能研究所 Super AI Research Lab トップへ超・人工知能研究所AI Research Lab / ぱそ太郎工事中

since
平成38年9月29日

← 検索結果に戻る

長い動画で新たに現れる面まで追う、3次元点追跡の省メモリ化

TrackEverything

保存した記事を見るこのブラウザに保存します。無料会員で端末間の同期・フォルダ整理
著者の公式図・デモ

人物の動作に沿って多数の色付きの追跡軌跡を重ねたTrackEverythingの研究結果

出典:TrackEverything 公式プロジェクト ↗

概要

  • 世界座標の点群を時間窓の境界で重複統合し、再観測した面の点が増え続けるのを抑える。
  • 16フレーム単位で終点を求め、動く点だけの細かな軌跡を復元する。
  • 著者らはTAPVid-3Dの短い動画でVDPMを平均APD-Pで20%超上回り、40GB以内で1000フレーム超を処理したと報告する。
補足:編集した模式図で仕組みを確認する

VISUAL EXPLAINER

図でつかむ、TrackEverythingの仕組み

左から右へ読む
同じ場所に重複した追跡点がある模式図

色の異なる点は、別の観測で得た点を表します。

説明用の点配置です。実験データではありません。
空間上の位置
  1. 01長時間の動画
  2. 023D上で同じ場所を照合
  3. 03重複する追跡点を統合
  4. 04必要な点の追跡を継続

たとえばカメラが同じ場所をもう一度映したとき、すでに追っている点を使い直す。

もともとの課題・処理

同じ場所に対応する追跡点が、観測ごとに増えやすい。

この研究のアプローチ

3D空間上の対応を使い、重複する点をまとめる。

原論文の説明をもとにした模式図です。処理の細部は省略しています。

研究の背景

動画中の点を追う技術では、長時間なら少数の指定点、画面全体なら短時間という制約があった。画面上の全点をフレームごとに保持すると、同じ壁や床を繰り返し記録して負担が増える。

設備の動きや人と物の関係を後から調べるには、撮影途中で新しく見えた面も含めて連続的に追いたい。著者らは映像を、世界座標という共通の3次元位置に置き直して扱う。

手法

入力はRGB動画と、各画素が世界座標のどこにあるかを表す3次元点マップである。16フレームずつ処理し、画像から得た特徴を3次元の点群へ移す。まず終点推定器が各点の窓末尾での位置、見えているか、静止か移動かを予測する。

動く点だけについて経路推定器が窓内の各時刻の位置を補う。3D WAFTは推定位置を画像へ投影して特徴を読み、対応を修正する仕組みだ。例えばカメラが同じ棚を再び映したら、境界で同じ小区画に到達した点を統合し、次の窓では新しく見えた面の点を追加する。出力は点ごとの3次元軌跡と可視性などである。

新規性

著者らの中心的な工夫は、同じ物理的な面を何度撮影しても、時間窓の境界で同じ3次元位置に到達した点を一つにまとめることだ。保持する表現を映像の長さより新しく見えた形状に対応させる狙いがある。

終点を先に求め、窓内の細かな経路は動く点に限って復元する。さらに3D WAFTで特徴を必要な位置から読み取り、巨大な対応表を作る処理を置き換えた。

従来手法との違い

長時間向けの疎な追跡器は指定された少数の点を追い、従来の密な追跡器には最初のフレームに見えた点だけを扱う方式と、全フレームを扱うが短い動画に限られる方式がある。TrackEverythingは後から現れる点も対象にする。

論文は短い48フレームの比較にVDPMなどを含め、長い系列では疎な追跡器や最初のフレームを対象とする方式とも比べる。D4RTの数値は参照されるが、公開実装を用いた同条件の再評価ではない。

実験結果

著者らはTAPVid-3DのADT、DriveTrack、PStudioを使い、各データセット50本の公式minivalで評価した。正解が付いた問い合わせ点について、予測位置が複数の距離しきい値内に入る割合を平均するAPDを報告し、奥行きに応じたAPD-Pと固定距離のAPD-Mを区別する。

48フレームの比較では、全フレーム密追跡の公開手法VDPMを平均APD-Pで20%超上回ると著者らは述べる。従来の全フレーム密追跡器が約96フレームを超えるとGPUメモリを使い切る一方、提案法は40GB以内で1000フレーム超を処理したという。長い系列では疎な追跡器とも競合する結果と報告する。

応用の可能性

編集上の応用案 · 論文が実証した用途とは区別しています。

編集上の応用案:移動カメラで撮った設備点検動画から、同じ配管表面の観測をまとめ、動く部品の軌跡を確認する。入力は動画と各フレームの世界座標系の3次元点マップ、出力は点ごとの位置、可視性、静止か移動かの推定である。

担当者は指定した部品の点を時間順に表示し、遮蔽後の再出現や動作範囲を確認する。点の軌跡を異常判定へ直結させず、原動画を併記して位置ずれを点検する。

応用先の候補からNauhに相談できます。

導入時の検証

導入時の検証案 · 対象データでの再評価が必要です。

導入時の検証案:短い設備動画と長い動画を用意し、同じ撮影条件で点マップを作る。比較基準には少数の指定点を追う方式と、処理可能な長さの密な方式を置き、後から現れた部品表面を追えるかを確認する。

手作業で選んだ点について位置誤差、遮蔽前後の同一性、誤った点の統合数を記録する。動画の長さごとに処理時間、最大メモリ、保持点数も測り、精度と省メモリの両方が業務上の条件に合うか判断する。

限界と課題

著者らは、長い動画で全点を扱う従来の密な手法がメモリを使い切ると報告する。一方、提案法にも各フレームの3次元点マップが必要で、センサーや外部推定器から得る構成である。評価の正解は主に少数の問い合わせ点に付いている。

編集上の検証課題は、奥行きやカメラ位置の誤差、近接した別物体が同じボクセルに入る場合、長時間の遮蔽後に追跡が保たれるかである。1000フレーム超の処理可能性と、現場で必要な点精度は別々に測る必要がある。

応用先の候補
研究内容と応用案に基づく分類です。業界での導入実績を示すものではありません。

出典

元のタイトル・要旨を確認する(英語)

TrackEverything: Long Horizon Dense Tracking via De-Duplicating 3D Scene Representations

Existing point tracking models face a fundamental tradeoff: they can either track a sparse set of query points over long horizons, or track all points across only short clips. We introduce TrackEverything, a 3D point tracker that breaks this trade-off by representing videos as persistent 3D scene tracks in world coordinates. Grounded in the insight that videos are 2D projections of an underlying 3D world, TrackEverything decouples model complexity from video duration, allowing it to scale with unique physical scene geometry instead. Our approach introduces three key innovations. First, we employ a voxelization-based de-duplication mechanism at sliding-window boundaries to merge co-located tracks, preventing repeated observations of the same surface from redundantly accumulating. Second, we decompose tracking into an endpoint refiner that predicts each point's destination and static-versus-dynamic classification, followed by a lightweight trajectory refiner that decodes dense trajectories exclusively for dynamic points. Third, we propose 3D WAFT, replacing memory-prohibitive 4D correlation volumes with efficient feature sampling in the scene cloud. To the best of our knowledge, TrackEverything is the first 3D tracker capable of tracking all visible points across videos exceeding 1000 frames within 40 GB of GPU memory. On TAPVid-3D, TrackEverything outperforms all open-source all-frame dense 3D trackers by more than 20% APD on short clips, while remaining competitive with state-of-the-art sparse trackers on long sequences, despite tracking far more points.

論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新:2026-09-29