論文の概要: Map-Relative Pose Regression for Visual Re-Localization

• arxiv url: http://arxiv.org/abs/2404.09884v1
• Date: Mon, 15 Apr 2024 15:53:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 21:47:37.199808
• Title: Map-Relative Pose Regression for Visual Re-Localization
• Title（参考訳）: Map-Relative Pose Regression for Visual Re-Localization
• Authors: Shuai Chen, Tommaso Cavallari, Victor Adrian Prisacariu, Eric Brachmann,
• Abstract要約: 本稿では,ポーズ回帰,マップ相対ポーズ回帰 (marepo) に対する新しいアプローチを提案する。 我々は、シーン固有の地図表現に対して、ポーズ予測がシーンマップに対して相対的であるように、ポーズ回帰器を条件とする。 提案手法は,屋内と屋外の2つの公開データセットにおいて,従来のポーズ回帰手法よりはるかに優れている。
• 参考スコア（独自算出の注目度）: 20.89982939633994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pose regression networks predict the camera pose of a query image relative to a known environment. Within this family of methods, absolute pose regression (APR) has recently shown promising accuracy in the range of a few centimeters in position error. APR networks encode the scene geometry implicitly in their weights. To achieve high accuracy, they require vast amounts of training data that, realistically, can only be created using novel view synthesis in a days-long process. This process has to be repeated for each new scene again and again. We present a new approach to pose regression, map-relative pose regression (marepo), that satisfies the data hunger of the pose regression network in a scene-agnostic fashion. We condition the pose regressor on a scene-specific map representation such that its pose predictions are relative to the scene map. This allows us to train the pose regressor across hundreds of scenes to learn the generic relation between a scene-specific map representation and the camera pose. Our map-relative pose regressor can be applied to new map representations immediately or after mere minutes of fine-tuning for the highest accuracy. Our approach outperforms previous pose regression methods by far on two public datasets, indoor and outdoor. Code is available: https://nianticlabs.github.io/marepo
• Abstract（参考訳）: ポース回帰ネットワークは、既知の環境に対してクエリ画像のカメラポーズを予測する。 この方法では、絶対ポーズ回帰(APR)は、最近、位置誤差において数cmの範囲で有望な精度を示す。 APRネットワークは、その重みに暗黙的にシーン幾何学を符号化する。 高い精度を達成するには、日々のプロセスで新しいビュー合成を使って、現実的にしか作成できない膨大なトレーニングデータが必要である。 このプロセスは、新しいシーンごとに何度も繰り返される必要があります。 本稿では,ポーズ回帰ネットワークのデータ飢餓をシーンに依存しない方法で満足する,ポーズ回帰,マップ相対ポーズ回帰(marepo)の新たなアプローチを提案する。 我々は、シーン固有の地図表現に対して、ポーズ予測がシーンマップに対して相対的であるように、ポーズ回帰器を条件とする。 これにより、数百のシーンにまたがるポーズ回帰器をトレーニングし、シーン固有のマップ表現とカメラのポーズとの一般的な関係を学習することができる。 我々の地図相対的なポーズ回帰器は、最も精度の高い微調整の直後に、あるいは数分後に新しい地図表現に適用することができる。 提案手法は,屋内と屋外の2つの公開データセットにおいて,従来のポーズ回帰手法よりはるかに優れている。 コードは、https://nianticlabs.github.io/marepo.comで入手できる。

関連論文リスト

• PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
  本稿では,PoseMatcherを提案する。 3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。 PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
  論文  参考訳（メタデータ） (2023-04-03T21:14:59Z)
• A Probabilistic Framework for Visual Localization in Ambiguous Scenes [64.13544430239267]
  本稿では,カメラポーズの任意の形状の後部分布を予測する確率的枠組みを提案する。 我々は、予測分布からサンプリングできる変分推論を用いて、カメラポーズ回帰の新たな定式化によってこれを行う。 本手法は,不明瞭なシーンの局所化において,既存の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-01-05T14:46:54Z)
• Camera Pose Auto-Encoders for Improving Pose Regression [6.700873164609009]
  カメラポーズオートエンコーダ(PAE)を導入し,APRを教師として用いたカメラポーズをエンコードする。 得られた潜在ポーズ表現は、APRのパフォーマンスを密に再現し、関連するタスクに対してそれらの効果を示すことができることを示す。 また、学習したポーズエンコーディングから列車画像の再構成が可能であることを示し、低メモリで設定した列車の視覚情報を統合する方法について検討した。
  論文  参考訳（メタデータ） (2022-07-12T13:47:36Z)
• Subpixel Heatmap Regression for Facial Landmark Localization [65.41270740933656]
  熱マップ回帰法は、熱マップ符号化と復号処理の両方に関連する離散化による誤差に悩まされる。 本稿では,熱マップの符号化と復号化に基礎となる連続分布を利用した新しい手法を提案する。 我々のアプローチは、顔のランドマークのローカライゼーションに新しい最先端の結果を設定する複数のデータセット間で顕著な利得を提供する。
  論文  参考訳（メタデータ） (2021-11-03T17:21:28Z)
• Visual Camera Re-Localization Using Graph Neural Networks and Relative Pose Supervision [31.947525258453584]
  視覚再局在化とは、単一の画像を入力として、予め記録された環境に対してカメラの位置と向きを推定する手段である。 提案手法は特別な仮定をほとんど行わず,訓練やテストでは極めて軽量である。 標準の屋内(7-Scenes)と屋外(Cambridge Landmarks)のカメラ再ローカリゼーションベンチマークに対するアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2021-04-06T14:29:03Z)
• Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression [81.05772887221333]
  従来のキーポイント検出およびグループ化フレームワークに劣る密度の高いキーポイント回帰フレームワークについて検討する。 我々は,dekr(disentangled keypoint regression)という,単純かつ効果的な手法を提案する。 提案手法はキーポイント検出法やグループ化法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-06T05:54:46Z)
• Paying Attention to Activation Maps in Camera Pose Regression [4.232614032390374]
  カメラポーズ回帰手法は、クエリ画像に単一のフォワードパスを適用してカメラポーズを推定する。 畳み込みアクティベーションマップをシーケンシャル入力として使用するポーズ回帰のための注意に基づくアプローチを提案する。 提案手法は,現代のポーズレグレッサー方式に好適に比較し,複数のベンチマークにまたがる最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-03-21T20:10:15Z)
• Back to the Feature: Learning Robust Camera Localization from Pixels to Pose [114.89389528198738]
  画像と3Dモデルから正確な6-DoFのポーズを推定するシーンに依存しないニューラルネットワークPixLocを導入する。 このシステムは、粗いポーズ前の大きな環境でもローカライズできるが、スパース特徴マッチングの精度も向上する。
  論文  参考訳（メタデータ） (2021-03-16T17:40:12Z)
• Do We Really Need Scene-specific Pose Encoders? [0.0]
  視覚ポーズ回帰モデルは、1つの前方パスでクエリイメージからカメラポーズを推定します。 現在のモデルは、シーン毎にトレーニングされた深層畳み込みネットワークを使用して、画像からポーズエンコーディングを学ぶ。 ポーズ回帰にはシーン固有のポーズエンコーダは不要であり、視覚的類似性のために訓練されたエンコーディングを代わりに使用できる。
  論文  参考訳（メタデータ） (2020-12-22T13:59:52Z)
• Bottom-Up Human Pose Estimation by Ranking Heatmap-Guided Adaptive Keypoint Estimates [76.51095823248104]
  キーポイント検出とグループ化(キーポイント回帰)性能を改善するために,これまでにほとんど,あるいはまったく研究されていないいくつかのスキームを提案する。 まず,画素単位のキーポイントレグレッションに対して,キーポイントのリグレッションを改善するために分離する代わりに,キーポイントのヒートマップを利用する。 第2に、スケールと向きの分散を扱うための適応表現を学習するために、画素単位の空間変換器ネットワークを採用する。 第3に,真のポーズとなる確率の高い推定ポーズを促進するために,結合形状と熱値評価手法を提案する。
  論文  参考訳（メタデータ） (2020-06-28T01:14:59Z)

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。