論文の概要: VOLDOR: Visual Odometry from Log-logistic Dense Optical flow Residuals

• arxiv url: http://arxiv.org/abs/2104.06789v1
• Date: Wed, 14 Apr 2021 11:39:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 18:50:34.139362
• Title: VOLDOR: Visual Odometry from Log-logistic Dense Optical flow Residuals
• Title（参考訳）: VOLDOR:log-logistic Dense Optical Flow Residualsによる視覚計測
• Authors: Zhixiang Min, Yiding Yang, Enrique Dunn
• Abstract要約: 我々は,カメラモーション,画素深度,動きトラックの信頼度といった共同推論のための一般化EM式を開発した。 TUM RGB-DとKITTIのドオドメトリーベンチマークでトップランクを達成した。 当社のオープンソース実装は本質的にGPUに優しく、線形計算とストレージの成長のみです。
• 参考スコア（独自算出の注目度）: 18.739522634776062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a dense indirect visual odometry method taking as input externally estimated optical flow fields instead of hand-crafted feature correspondences. We define our problem as a probabilistic model and develop a generalized-EM formulation for the joint inference of camera motion, pixel depth, and motion-track confidence. Contrary to traditional methods assuming Gaussian-distributed observation errors, we supervise our inference framework under an (empirically validated) adaptive log-logistic distribution model. Moreover, the log-logistic residual model generalizes well to different state-of-the-art optical flow methods, making our approach modular and agnostic to the choice of optical flow estimators. Our method achieved top-ranking results on both TUM RGB-D and KITTI odometry benchmarks. Our open-sourced implementation is inherently GPU-friendly with only linear computational and storage growth.
• Abstract（参考訳）: そこで本稿では,手作り特徴対応の代わりに,入力された外部推定光流場を考慮した高密度間接視覚計測手法を提案する。 我々は,この問題を確率モデルとして定義し,カメラ動作,画素深度,モーショントラック信頼度の共同推定のための一般化em法を開発した。 ガウス分布の観測誤差を仮定する従来の手法とは対照的に、我々は(経験的に検証された)適応対数分布モデルの下で、推論フレームワークを監督する。 さらに, ログロジクス残差モデルでは, 異なる現状の光学的フロー法によく対応し, 光学的フロー推定器の選択にモジュール性や非依存性を持たせることができる。 提案手法は,TUM RGB-DとKITTIオドメトリーのベンチマークで上位評価を得た。 当社のオープンソース実装は本質的にGPUフレンドリで、線形計算とストレージの成長のみに対応しています。

関連論文リスト

• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Flow-based Distributionally Robust Optimization [23.232731771848883]
  We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。 我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。 本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
  論文  参考訳（メタデータ） (2023-10-30T03:53:31Z)
• Posterior Sampling Based on Gradient Flows of the MMD with Negative Distance Kernel [2.199065293049186]
  後方サンプリングと条件生成モデリングのための負距離カーネルによる最大平均誤差(MMD)の条件フロー。 我々は、基底真実と離散的なワッサーシュタイン勾配流を用いた観測の連成分布を近似した。
  論文  参考訳（メタデータ） (2023-10-04T11:40:02Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Towards extraction of orthogonal and parsimonious non-linear modes from turbulent flows [0.0]
  本稿では,非線形モードの最小およびほぼ直交の集合を学習するための深い確率-神経-ネットワークアーキテクチャを提案する。 我々のアプローチは、$beta$-variational autoencoders($beta$-VAEs)と畳み込みニューラルネットワーク(CNNs)に基づいている。
  論文  参考訳（メタデータ） (2021-09-03T13:38:51Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Nonlinear Evolutionary PDE-Based Refinement of Optical Flow [0.0]
  剛性および流動性の両方の運動推定にモデルをどのように適合させるかを示す。 アルゴリズムの結果を異なるデータセットで示す。
  論文  参考訳（メタデータ） (2021-01-31T16:35:26Z)

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。