論文の概要: Bridging the Synthetic-Real Gap: Supervised Domain Adaptation for Robust Spacecraft 6-DoF Pose Estimation

• arxiv url: http://arxiv.org/abs/2509.13792v1
• Date: Wed, 17 Sep 2025 08:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.775832
• Title: Bridging the Synthetic-Real Gap: Supervised Domain Adaptation for Robust Spacecraft 6-DoF Pose Estimation
• Title（参考訳）: 合成リアルギャップのブリッジ:ロバスト宇宙機6-DoF推定のためのドメイン適応の監督
• Authors: Inder Pal Singh, Nidhal Eddine Chenni, Abd El Rahman Shabayek, Arunkumar Rathinam, Djamila Aouada,
• Abstract要約: 宇宙船のポース推定は、ランデブー、ドッキング、軌道上のドッキングのような自律的な宇宙活動の基本的な能力である。 既存のドメイン適応アプローチは、この問題を軽減することを目的としているが、ラベル付きターゲットサンプルの少ない数が利用できる場合、しばしば性能が低下する。 本稿では,SPEキーポイント回帰に適したSDA(Supervised Domain Adaptation)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.83897333268682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spacecraft Pose Estimation (SPE) is a fundamental capability for autonomous space operations such as rendezvous, docking, and in-orbit servicing. Hybrid pipelines that combine object detection, keypoint regression, and Perspective-n-Point (PnP) solvers have recently achieved strong results on synthetic datasets, yet their performance deteriorates sharply on real or lab-generated imagery due to the persistent synthetic-to-real domain gap. Existing unsupervised domain adaptation approaches aim to mitigate this issue but often underperform when a modest number of labeled target samples are available. In this work, we propose the first Supervised Domain Adaptation (SDA) framework tailored for SPE keypoint regression. Building on the Learning Invariant Representation and Risk (LIRR) paradigm, our method jointly optimizes domain-invariant representations and task-specific risk using both labeled synthetic and limited labeled real data, thereby reducing generalization error under domain shift. Extensive experiments on the SPEED+ benchmark demonstrate that our approach consistently outperforms source-only, fine-tuning, and oracle baselines. Notably, with only 5% labeled target data, our method matches or surpasses oracle performance trained on larger fractions of labeled data. The framework is lightweight, backbone-agnostic, and computationally efficient, offering a practical pathway toward robust and deployable spacecraft pose estimation in real-world space environments.
• Abstract（参考訳）: SPE(Spacecraft Pose Estimation)は、ランデブー、ドッキング、軌道上でのサービスなど、自律的な宇宙活動の基本的な機能である。 オブジェクト検出、キーポイント回帰、パースペクティブ-n-Point(PnP)ソルバを組み合わせたハイブリッドパイプラインは、最近、合成データセットにおいて強力な結果が得られたが、そのパフォーマンスは、永続的な合成ドメイン間ギャップのため、実画像やラボ生成画像で著しく低下している。 既存の教師なしのドメイン適応アプローチは、この問題を軽減することを目的としているが、ラベル付きターゲットサンプルの少ない数が利用可能であれば、しばしば性能が低下する。 本研究では,SPEキーポイントレグレッションに適したSDA(Supervised Domain Adaptation)フレームワークを提案する。 本手法は,Learning Invariant Representation and Risk(LIRR)パラダイムに基づいて,ラベル付き合成データと限定ラベル付き実データの両方を用いて,ドメイン不変表現とタスク固有リスクを共同で最適化することにより,ドメインシフト時の一般化誤差を低減する。 SPEED+ベンチマークの大規模な実験は、我々のアプローチがソースのみ、微調整、オラクルベースラインを一貫して上回っていることを示している。 特に、5%のラベル付きターゲットデータで、我々の手法はラベル付きデータのより大きな分数で訓練されたオラクルのパフォーマンスと一致するか、超えるかのどちらかである。 このフレームワークは軽量で、バックボーンに依存しず、計算的に効率的であり、現実の宇宙環境における堅牢で展開可能な宇宙船のポーズ推定への実用的な経路を提供する。

関連論文リスト

• IntrinsicReal: Adapting IntrinsicAnything from Synthetic to Real Objects [26.907664563000257]
  現実世界で撮影された単一のRGB画像からアルベド(内在画像分解)を推定することは大きな課題である。 IntrinsicRealは、現実世界の内在画像分解のための領域ギャップを橋渡しする新しいドメイン適応フレームワークである。 我々のIntrinsicRealは既存の手法よりも優れており、合成データセットと実世界のデータセットの両方でアルベド推定の最先端の結果が得られる。
  論文  参考訳（メタデータ） (2025-08-31T10:15:31Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
  大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。 学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。 同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
  論文  参考訳（メタデータ） (2025-04-17T13:09:38Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Progressive Multi-Level Alignments for Semi-Supervised Domain Adaptation SAR Target Recognition Using Simulated Data [3.1951121258423334]
  我々は、ソースドメインインスタンスを対応するプロトタイプに近づけるために、インスタンス-プロトタイプアライメント(AIPA)戦略を開発する。 また、ソースドメインインスタンスを対応するプロトタイプに近づけるための、インスタンス-プロトタイプアライメント(AIPA)戦略も開発しています。
  論文  参考訳（メタデータ） (2024-11-07T13:53:13Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。