論文の概要: HAL-NeRF: High Accuracy Localization Leveraging Neural Radiance Fields
- arxiv url: http://arxiv.org/abs/2504.08901v1
- Date: Fri, 11 Apr 2025 18:10:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:52:31.686844
- Title: HAL-NeRF: High Accuracy Localization Leveraging Neural Radiance Fields
- Title（参考訳）: HAL-NeRF: ニューラルネットワークを利用した高精度局所化
- Authors: Asterios Reppas, Grigorios-Aris Cheimariotis, Panos K. Papadopoulos, Panagiotis Frasiolas, Dimitrios Zarpalas,
- Abstract要約: HAL-NeRFはCNNポーズ回帰器とモンテカルロ粒子フィルタに基づく改良モジュールを組み合わせた高精度な局所化法である。
この研究は、モノクロカメラ再局在精度を向上させるために、APRとNeRFベースの精細化技術を組み合わせる可能性を強調している。
- 参考スコア（独自算出の注目度）: 2.712699695127966
- License:
- Abstract: Precise camera localization is a critical task in XR applications and robotics. Using only the camera captures as input to a system is an inexpensive option that enables localization in large indoor and outdoor environments, but it presents challenges in achieving high accuracy. Specifically, camera relocalization methods, such as Absolute Pose Regression (APR), can localize cameras with a median translation error of more than $0.5m$ in outdoor scenes. This paper presents HAL-NeRF, a high-accuracy localization method that combines a CNN pose regressor with a refinement module based on a Monte Carlo particle filter. The Nerfacto model, an implementation of Neural Radiance Fields (NeRFs), is used to augment the data for training the pose regressor and to measure photometric loss in the particle filter refinement module. HAL-NeRF leverages Nerfacto's ability to synthesize high-quality novel views, significantly improving the performance of the localization pipeline. HAL-NeRF achieves state-of-the-art results that are conventionally measured as the average of the median per scene errors. The translation error was $0.025m$ and the rotation error was $0.59$ degrees and 0.04m and 0.58 degrees on the 7-Scenes dataset and Cambridge Landmarks datasets respectively, with the trade-off of increased computational time. This work highlights the potential of combining APR with NeRF-based refinement techniques to advance monocular camera relocalization accuracy.
- Abstract（参考訳）: 精密カメラのローカライゼーションは、XRアプリケーションやロボット工学において重要な課題である。
システムへの入力としてカメラキャプチャのみを使用することは、大規模な屋内および屋外環境でのローカライズを可能にする安価なオプションであるが、高い精度を達成する上での課題が提示される。
具体的には、APR(Absolute Pose Regression)のようなカメラ再ローカライズ手法は、屋外のシーンで0.5m以上の中央値の翻訳誤差でカメラをローカライズすることができる。
本稿では,CNNポーズ回帰器とモンテカルロ粒子フィルタに基づく改良モジュールを組み合わせた高精度ローカライズ法であるHAL-NeRFを提案する。
Nerfactoモデル(Neural Radiance Fields (NeRFs)の実装)は、ポーズ回帰器を訓練するデータを増大させ、粒子フィルタ精製モジュールの光度損失を測定するために使用される。
HAL-NeRFは、高品質なノベルビューを合成するNerfactoの能力を活用し、ローカライゼーションパイプラインのパフォーマンスを大幅に改善する。
HAL-NeRFは、通常、シーン毎の中央値の平均として測定される最先端の結果を達成する。
翻訳誤差は0.025m$で、回転誤差は0.59$°と0.04mと0.58°であり、それぞれ7-ScenesデータセットとCambridge Landmarksデータセットで計算時間の増加のトレードオフがあった。
この研究は、モノクロカメラ再局在精度を向上させるために、APRとNeRFベースの精細化技術を組み合わせる可能性を強調している。
関連論文リスト
- IFFNeRF: Initialisation Free and Fast 6DoF pose estimation from a single image and a NeRF model [17.202161109957608]
IFFNeRFを導入し、所定の画像の6自由度カメラポーズを推定する。
IFFNeRFは特にリアルタイムに動作するように設計されており、最初のポーズ推定の必要性を排除している。
論文 参考訳（メタデータ） (2024-03-19T12:36:51Z) - IL-NeRF: Incremental Learning for Neural Radiance Fields with Camera
Pose Alignment [12.580584725107173]
インクリメンタルなNeRFトレーニングのための新しいフレームワークであるIL-NeRFを提案する。
IL-NeRFは、インクリメンタルなNeRFトレーニングを処理し、ベースラインを最大54.04%のレンダリング品質で上回ります。
論文 参考訳（メタデータ） (2023-12-10T04:12:27Z) - USB-NeRF: Unrolling Shutter Bundle Adjusted Neural Radiance Fields [7.671858441929298]
ニューラルラジアンスフィールド(USB-NeRF)のアンローリングシャッターバンドルについて提案する。
USB-NeRFは、回転シャッター歪みを補正し、NeRFの枠組みの下で同時に正確なカメラモーション軌跡を復元することができる。
我々のアルゴリズムは、RS画像のシーケンスから高忠実度高フレームレートのグローバルシャッタービデオの復元にも利用できる。
論文 参考訳（メタデータ） (2023-10-04T09:51:58Z) - CamP: Camera Preconditioning for Neural Radiance Fields [56.46526219931002]
NeRFは、オブジェクトと大規模シーンの高忠実度3Dシーン再構成を得るために最適化することができる。
外部および固有のカメラパラメータは通常、NeRFの前処理ステップとしてStructure-from-Motion (SfM)法を用いて推定される。
本稿では,カメラパラメータ間の相関をなくし,その効果を正規化するホワイトニング変換を代用問題として提案する。
論文 参考訳（メタデータ） (2023-08-21T17:59:54Z) - Local-to-Global Registration for Bundle-Adjusting Neural Radiance Fields [36.09829614806658]
ニューラルレージアンスフィールドの局所-グローバル登録法であるL2G-NeRFを提案する。
ピクセルワイドな局所アライメントは、ディープネットワークを介して教師なしの方法で学習される。
提案手法は,高忠実度再構築と大型カメラの誤認識の解消の観点から,現在の最先端技術よりも優れる。
論文 参考訳（メタデータ） (2022-11-21T14:43:16Z) - AligNeRF: High-Fidelity Neural Radiance Fields via Alignment-Aware
Training [100.33713282611448]
我々は、高分解能データによるNeRFのトレーニングに関する最初のパイロット研究を行う。
本稿では,多層パーセプトロンと畳み込み層との結合を含む,対応する解を提案する。
私たちのアプローチは、明らかなトレーニング/テストコストを導入することなく、ほぼ無償です。
論文 参考訳（メタデータ） (2022-11-17T17:22:28Z) - SiNeRF: Sinusoidal Neural Radiance Fields for Joint Pose Estimation and
Scene Reconstruction [147.9379707578091]
NeRFmmは、共同最適化タスクを扱うNeRF(Neural Radiance Fields)である。
NeRFmmは正確なシーン合成とポーズ推定を行うが、難しいシーンで完全に注釈付けされたベースラインを上回るのに苦戦している。
放射光マッピングにおける正弦波活性化を利用する正弦波ニューラルレイディアンス場(SiNeRF)と、効率よく光束を選択するための新しい混合領域サンプリング(MRS)を提案する。
論文 参考訳（メタデータ） (2022-10-10T10:47:51Z) - LENS: Localization enhanced by NeRF synthesis [3.4386226615580107]
アルゴリズムのNeRFクラスによって描画された追加の合成データセットにより、カメラポーズの回帰が向上することを示す。
我々はさらに、トレーニング中のデータ拡張として、合成現実的および幾何学的一貫した画像を用いて、ポーズ回帰器の局所化精度を向上した。
論文 参考訳（メタデータ） (2021-10-13T08:15:08Z) - Self-Calibrating Neural Radiance Fields [68.64327335620708]
キャリブレーション対象のないシーンの幾何学と正確なカメラパラメータを共同で学習する。
我々のカメラモデルは、ピンホールモデル、第4次ラジアル歪み、および任意の非線形カメラ歪みを学習可能な汎用ノイズモデルで構成されている。
論文 参考訳（メタデータ） (2021-08-31T13:34:28Z) - BARF: Bundle-Adjusting Neural Radiance Fields [104.97810696435766]
不完全なカメラポーズからNeRFを訓練するためのバンドル調整ニューラルラジアンスフィールド(BARF)を提案します。
BARFは、ニューラルネットワークシーンの表現を効果的に最適化し、大きなカメラのポーズミスを同時に解決する。
これにより、未知のカメラポーズからの映像シーケンスのビュー合成とローカライズが可能になり、視覚ローカライズシステムのための新しい道を開くことができる。
論文 参考訳（メタデータ） (2021-04-13T17:59:51Z) - iNeRF: Inverting Neural Radiance Fields for Pose Estimation [68.91325516370013]
Neural RadianceField(NeRF)を「反転」してメッシュフリーポーズ推定を行うフレームワークiNeRFを紹介します。
NeRFはビュー合成のタスクに極めて有効であることが示されている。
論文 参考訳（メタデータ） (2020-12-10T18:36:40Z)
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。