Fugu-MT 論文翻訳(概要): Dense Match Summarization for Faster Two-view Estimation

論文の概要: Dense Match Summarization for Faster Two-view Estimation

arxiv url: http://arxiv.org/abs/2506.02893v1
Date: Tue, 03 Jun 2025 14:01:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-04 21:47:35.772336
Title: Dense Match Summarization for Faster Two-view Estimation
Title（参考訳）: より高速な2視点推定のためのDense Match Summarization
Authors: Jonathan Astermark, Anders Heyden, Viktor Larsson,
Abstract要約: 我々は、密接な対応から頑健な2次元相対ポーズをスピードアップする。そこで本研究では,高密度マッチングの完全集合を使用するのに匹敵する精度を提供する,効率的なマッチング要約方式を提案する。
参考スコア（独自算出の注目度）: 22.238347776252333
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we speed up robust two-view relative pose from dense correspondences. Previous work has shown that dense matchers can significantly improve both accuracy and robustness in the resulting pose. However, the large number of matches comes with a significantly increased runtime during robust estimation in RANSAC. To avoid this, we propose an efficient match summarization scheme which provides comparable accuracy to using the full set of dense matches, while having 10-100x faster runtime. We validate our approach on standard benchmark datasets together with multiple state-of-the-art dense matchers.
Abstract（参考訳）: 本稿では,高密度対応から頑健な2次元相対ポーズを高速化する。従来の研究では、密マッチングは結果の精度とロバスト性の両方を著しく向上させることができることが示されている。しかし、RANSACのロバストな推定において、多数のマッチが大幅に増加する。これを回避するために,10-100倍高速な実行環境を保ちながら,高密度なマッチングをフルセットで使用するのに匹敵する精度を提供する,効率的なマッチング要約方式を提案する。我々は、標準的なベンチマークデータセットと、最先端の高密度マーカの併用によるアプローチを検証した。

関連論文リスト

HomoMatcher: Dense Feature Matching Results with Semi-Dense Efficiency by Homography Estimation [39.48940223810725]
画像ペア間の特徴マッチングは、SLAMのような多くのアプリケーションを駆動するコンピュータビジョンの基本的な問題である。本稿では,セミセンスマッチングフレームワークにおけるファインマッチングモジュールの強化に焦点をあてる。我々は、粗いマッチングから得られたパッチ間の視点マッピングを生成するために、軽量で効率的なホモグラフィ推定ネットワークを用いる。
論文参考訳（メタデータ） (2024-11-11T04:05:12Z)
Efficient and Effective Retrieval of Dense-Sparse Hybrid Vectors using Graph-based Approximate Nearest Neighbor Search [14.821492155733555]
グラフに基づく高密度疎ハイブリッドベクトルのためのANNSアルゴリズムを提案する。提案アルゴリズムは,既存のハイブリッドベクトル探索アルゴリズムと同等の精度で8.9x$sim$11.7xスループットを実現する。
論文参考訳（メタデータ） (2024-10-27T09:12:51Z)
RTMO: Towards High-Performance One-Stage Real-Time Multi-Person Pose Estimation [46.659592045271125]
RTMOは座標分類をシームレスに統合する一段階のポーズ推定フレームワークである。高速を維持しながらトップダウン手法に匹敵する精度を達成する。私たちの最大のモデルであるRTMO-lは、COCO val 2017で74.8%AP、1つのV100 GPUで141FPSを実現しています。
論文参考訳（メタデータ） (2023-12-12T18:55:29Z)
IMP: Iterative Matching and Pose Estimation with Adaptive Pooling [34.36397639248686]
我々はEIMPと呼ばれるテキストbfefficient IMPを提案し、潜在的に一致しないキーポイントを動的に破棄する。 YFCC100m、Scannet、Aachen Day-Nightのデータセットに対する実験により、提案手法は精度と効率の点で従来の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-04-28T13:25:50Z)
ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
論文参考訳（メタデータ） (2022-09-25T13:05:33Z)
Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-07-13T02:44:05Z)
Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文参考訳（メタデータ） (2021-11-22T06:26:29Z)
Consensus-Guided Correspondence Denoising [67.35345850146393]
本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
論文参考訳（メタデータ） (2021-01-03T09:10:00Z)
S2DNet: Learning Accurate Correspondences for Sparse-to-Dense Feature Matching [36.48376198922595]
S2DNetは、堅牢で正確な対応を確立するために設計、訓練された新しい特徴マッチングパイプラインである。我々は,S2DNetがHPatchesベンチマークおよび複数の長期視覚的ローカライゼーションデータセットの最先端結果を達成することを示す。
論文参考訳（メタデータ） (2020-04-03T17:04:34Z)
MALTS: Matching After Learning to Stretch [86.84454964051014]
我々はマッチングのための解釈可能な距離メートル法を学習し、それによってかなり高い品質のマッチングが得られる。フレキシブルな距離測定を学習する能力は、解釈可能で、条件付き平均治療効果の推定に有用である。
論文参考訳（メタデータ） (2018-11-18T22:29:59Z)

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。