論文の概要: AR Mapping: Accurate and Efficient Mapping for Augmented Reality

• arxiv url: http://arxiv.org/abs/2103.14846v1
• Date: Sat, 27 Mar 2021 08:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:41:45.338948
• Title: AR Mapping: Accurate and Efficient Mapping for Augmented Reality
• Title（参考訳）: ARマッピング:拡張現実のための正確かつ効率的なマッピング
• Authors: Rui Huang, Chuan Fang, Kejie Qiu, Le Cui, Zilong Dong, Siyu Zhu, Ping Tan
• Abstract要約: 本論文では,特定のシーンのarマップについて紹介する。1)6自由度ポーズのカラー画像,2)各画像の濃密深度マップ,3)完全点クラウドマップである。 効率的なデータキャプチャのために、バックパック走査装置に統一キャリブレーションパイプラインを提示する。 次に,走査装置から入力を受け取り,正確なARマップを生成するARマッピングパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 35.420264042749146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Augmented reality (AR) has gained increasingly attention from both research and industry communities. By overlaying digital information and content onto the physical world, AR enables users to experience the world in a more informative and efficient manner. As a major building block for AR systems, localization aims at determining the device's pose from a pre-built "map" consisting of visual and depth information in a known environment. While the localization problem has been widely studied in the literature, the "map" for AR systems is rarely discussed. In this paper, we introduce the AR Map for a specific scene to be composed of 1) color images with 6-DOF poses; 2) dense depth maps for each image and 3) a complete point cloud map. We then propose an efficient end-to-end solution to generating and evaluating AR Maps. Firstly, for efficient data capture, a backpack scanning device is presented with a unified calibration pipeline. Secondly, we propose an AR mapping pipeline which takes the input from the scanning device and produces accurate AR Maps. Finally, we present an approach to evaluating the accuracy of AR Maps with the help of the highly accurate reconstruction result from a high-end laser scanner. To the best of our knowledge, it is the first time to present an end-to-end solution to efficient and accurate mapping for AR applications.
• Abstract（参考訳）: 拡張現実(ar)は、研究と産業の両方のコミュニティから注目を集めている。 デジタル情報とコンテンツを物理的な世界に重ね合わせることで、arはユーザーがより有益で効率的な方法で世界を体験できる。 ARシステムの主要なビルディングブロックとして、ローカライゼーションは、既知の環境における視覚情報と深度情報からなる事前構築された「マップ」からデバイスのポーズを決定することを目的としている。 ローカライゼーション問題は文献で広く研究されているが、ARシステムにおける「マップ」はめったに議論されていない。 本稿では,1)ポーズ6自由度カラー画像,2)画像毎の濃密深度マップ,3)フルポイントクラウドマップからなる,特定のシーンのarマップについて紹介する。 次に、ARマップの生成と評価のための効率的なエンドツーエンドソリューションを提案する。 まず、効率的なデータキャプチャのために、バックパック走査装置に統一キャリブレーションパイプラインを提示する。 次に,走査装置から入力を受け取り,正確なARマップを生成するARマッピングパイプラインを提案する。 最後に,ハイエンドレーザスキャナによる高精度な再構成結果の助けを借りて,ARマップの精度を評価する手法を提案する。 私たちの知る限りでは、ARアプリケーションの効率的かつ正確なマッピングのためのエンドツーエンドソリューションを提示するのは初めてです。

関連論文リスト

• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• CartoMark: a benchmark dataset for map pattern recognition and 1 map content retrieval with machine intelligence [9.652629004863364]
  我々は,地図テキストアノテーション認識,地図シーン分類,地図超解像再構成,地図スタイル転送のための大規模ベンチマークデータセットを開発した。 これらの良好なラベル付きデータセットは、マップ特徴の検出、マップパターン認識、マップコンテンツ検索を行う最先端のマシンインテリジェンス技術を促進する。
  論文  参考訳（メタデータ） (2023-12-14T01:54:38Z)
• RGB-D based Stair Detection using Deep Learning for Autonomous Stair Climbing [6.362951673024623]
  本稿では,RGBマップと深度マップの両方の入力を持つニューラルネットワークアーキテクチャを提案する。 具体的には,RGBマップと深度マップの相補関係をネットワークが学習できるように,選択モジュールを設計する。 提案手法は,従来の最先端深層学習法と比較して精度の向上とリコールが可能であることを示す。
  論文  参考訳（メタデータ） (2022-12-02T11:22:52Z)
• LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
  異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。 私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
  論文  参考訳（メタデータ） (2022-10-19T17:58:17Z)
• Towards Fast and Accurate Real-World Depth Super-Resolution: Benchmark Dataset and Baseline [48.69396457721544]
  深度写像スーパーリゾリューション(SR)の研究を促進するために,RGB-D-Dという大規模データセットを構築した。 本稿では、RGB画像から高周波成分を適応的に分解して深度マップSRを導出する高速深度マップ超解像(FDSR)ベースラインを提供する。 実世界のLR深度マップでは、より明確な境界を持つより正確なHR深度マップを作成でき、ある程度の精度で深度値誤差を補正できる。
  論文  参考訳（メタデータ） (2021-04-13T13:27:26Z)
• HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
  高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。 我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。 地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
  論文  参考訳（メタデータ） (2020-12-21T21:59:54Z)
• OpenREALM: Real-time Mapping for Unmanned Aerial Vehicles [62.997667081978825]
  OpenREALMは無人航空機(UAV)のリアルタイムマッピングフレームワークである 異なる操作モードにより、OpenREALMは近似平面場を仮定して単純な縫合を行うことができる。 すべてのモードにおいて、結果のマップの漸進的な進捗は、地上のオペレータによってライブで見ることができる。
  論文  参考訳（メタデータ） (2020-09-22T12:28:14Z)
• Object Detection in the Context of Mobile Augmented Reality [16.49070406578342]
  本稿では,VIOから得られる幾何学的情報とオブジェクト検出器からの意味情報を組み合わせて,モバイルデバイス上での物体検出性能を向上させる手法を提案する。 提案手法は,(1)画像配向補正法,(2)スケールベースフィルタリング法,(3)オンライン意味地図の3つの構成要素を含む。 その結果,汎用物体検出器の精度をデータセット上で12%向上できることがわかった。
  論文  参考訳（メタデータ） (2020-08-15T05:15:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。