Wetenschappers hebben een innovatieve methode genaamd Interp3R ontwikkeld die 3D-visuele basismodellen in staat stelt om geometrische informatie, zoals diepte en de positie van de camera, op elk willekeurig tijdstip vast te stellen. Door de integratie van asynchrone event-data wordt de beperking van discrete videoframes overwonnen, waardoor een vloeiende overgang tussen beelden ontstaat.
Binnen het vakgebied van computer vision hebben pointmap-benaderingen, zoals die van DUSt3R, reeds gezorgd voor aanzienlijke vooruitgang in nauwkeurigheid en generalisatie. Een hardnekkig probleem bij deze traditionele systemen is echter dat zij enkel geometrie kunnen herstellen op de exacte momenten dat een foto wordt genomen. De tussenliggende periodes, vaak aangeduid als de 'blinde tijd', blijven onontdekt. Om dit op te lossen, streeft Interp3R naar een representatie die merriam-webster.com is, wat betekent dat er een ononderbroken opeenvolging van gegevens ontstaat zonder gaten in de tijdlijn.
Volgens een publicatie op arxiv.org is Interp3R de eerste techniek die pointmap-gebaseerde modellen uitbreidt om schattingen van diepte en cameraposities op willekeurige momenten mogelijk te maken. De methode, ontwikkeld door een team waaronder Luc Van Gool, Filbert Febryanto en Shuang Guo, maakt gebruik van asynchrone event-data om de pointmaps van frame-gebaseerde modellen te interpoleren. Hierdoor wordt een temporeel continue geometrische weergave van de omgeving gecreëerd. De posities van de camera en de diepte worden vervolgens gezamenlijk hersteld door deze geïnterpoleerde maps uit te lijnen met de voorspellingen van de onderliggende modellen binnen één consistent ruimtelijk kader.
Een opvallend kenmerk van Interp3R is de efficiëntie van de training. Het model is uitsluitend getraind met behulp van een synthetische dataset. Desondanks tonen de onderzoekers aan dat het systeem zeer sterk generaliseert over zes verschillende datasets, die zowel synthetische als reële gegevens bevatten. De resultaten wijzen op een aanzienlijke verbetering ten opzichte van bestaande technieken. Zo wordt in de studie op vermeld dat de absolute relatieve dieptefout op de DSEC-dataset met 15% tot 32% is verminderd. Daarnaast werd op de EDS-dataset een verlaging van de absolute trajectfout met maximaal 51% gerapporteerd.
Het onderzoek is gepositioneerd binnen de vakgebieden Robotica (cs.RO) en Computer Vision and Pattern Recognition (cs.CV). De meest recente versie van het rapport, versie 3, werd op 29 september 2026 bijgewerkt. Het document beslaat 22 pagina's en bevat uitgebreide technische onderbouwing via 16 figuren en 5 tabellen. De volledige details over de implementatie en de gebruikte datasets zijn beschikbaar via de documentatie op .