論文の概要: LightGlueStick: a Fast and Robust Glue for Joint Point-Line Matching

• arxiv url: http://arxiv.org/abs/2510.16438v1
• Date: Sat, 18 Oct 2025 10:20:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.994728
• Title: LightGlueStick: a Fast and Robust Glue for Joint Point-Line Matching
• Title（参考訳）: LightGlueStick:ジョイントポイントラインマッチングのための高速でロバストなグルー
• Authors: Aidyn Ubingazhibov, Rémi Pautrat, Iago Suárez, Shaohui Liu, Marc Pollefeys, Viktor Larsson,
• Abstract要約: LightGlueStickは、ポイントとラインセグメントのための軽量なマーカである。 LightGlueStickは、さまざまなベンチマークにまたがって新たな最先端技術を確立していることを示す。
• 参考スコア（独自算出の注目度）: 70.96686341680648
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Lines and points are complementary local features, whose combination has proven effective for applications such as SLAM and Structure-from-Motion. The backbone of these pipelines are the local feature matchers, establishing correspondences across images. Traditionally, point and line matching have been treated as independent tasks. Recently, GlueStick proposed a GNN-based network that simultaneously operates on points and lines to establish matches. While running a single joint matching reduced the overall computational complexity, the heavy architecture prevented real-time applications or deployment to edge devices. Inspired by recent progress in point matching, we propose LightGlueStick, a lightweight matcher for points and line segments. The key novel component in our architecture is the Attentional Line Message Passing (ALMP), which explicitly exposes the connectivity of the lines to the network, allowing for efficient communication between nodes. In thorough experiments we show that LightGlueStick establishes a new state-of-the-art across different benchmarks. The code is available at https://github.com/aubingazhib/LightGlueStick.
• Abstract（参考訳）: ラインとポイントは補完的な局所的特徴であり、SLAMやStructure-from-Motionのようなアプリケーションに有効であることが証明されている。 これらのパイプラインのバックボーンはローカルな特徴マッチングであり、画像間の対応を確立する。 伝統的に、ポイントとラインのマッチングは独立したタスクとして扱われてきた。 近年、GlueStickはGNNベースのネットワークを提案し、一致を確立するためにポイントとラインを同時に運用している。 単一のジョイントマッチングを実行することで、全体的な計算複雑性が低減される一方で、ヘビーアーキテクチャにより、リアルタイムアプリケーションやエッジデバイスへのデプロイが防止された。 ポイントマッチングの最近の進歩に触発されて、ポイントとラインセグメントの軽量マッチングであるLightGlueStickを提案する。 私たちのアーキテクチャにおける重要な新しいコンポーネントはアテンショナルラインメッセージパッシング(ALMP)で、ネットワークへの接続を明確に公開し、ノード間の効率的な通信を可能にします。 徹底的な実験では、LightGlueStickが異なるベンチマークにまたがって新しい最先端技術を確立していることを示す。 コードはhttps://github.com/aubingazhib/LightGlueStick.comで公開されている。

関連論文リスト

• Co-PLNet: A Collaborative Point-Line Network for Prompt-Guided Wireframe Parsing [5.175452394220525]
  既存の手法では、ラインとジャンクションを別々に予測し、それらをポストホックで調整し、ミスマッチとロバストネスを低下させる。 本稿では,2つのタスク間で空間的手がかりを交換するポイントライン協調フレームワークであるCo-PLNetを提案する。 Wireframeと YorkUrbanの実験では、精度と堅牢性が一貫した改善と、良好なリアルタイム効率を示している。
  論文  参考訳（メタデータ） (2026-01-26T08:16:02Z)
• PVINet: Point-Voxel Interlaced Network for Point Cloud Compression [83.74785652597248]
  ポイントクラウド圧縮では、再構成されたポイントクラウドの品質は、グローバル構造とローカルコンテキストの両方に依存している。 本稿では,グローバルな構造的特徴と局所的なコンテキスト的特徴を並列にキャプチャするPVINetを提案する。 PVINetは最先端の手法に比べて競争力がある。
  論文  参考訳（メタデータ） (2025-09-01T03:37:32Z)
• ReHub: Linear Complexity Graph Transformers with Adaptive Hub-Spoke Reassignment [22.479739056274937]
  本稿では,効率的な再割り当て手法により線形複雑化を実現するグラフトランスフォーマーアーキテクチャReHubを提案する。 ReHubは航空会社のハブアンドスポークモデルからインスピレーションを得ており、フライトは固定数の仮想ノードに割り当てられている。 LRGB実験では,線形複雑度を維持しつつ,ベース手法であるNeural Atomsよりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2024-12-02T14:10:23Z)
• DHGCN: Dynamic Hop Graph Convolution Network for Self-Supervised Point Cloud Learning [23.048005152646592]
  本稿では,動的ホップグラフ畳み込みネットワーク(DHGCN)を提案する。 そこで我々は, 自己監督型部分レベルホップ距離再構築タスクを考案し, トレーニングの容易さに応じて, 新たな損失関数を設計する。 提案したDHGCNは、ポイントベースのバックボーンネットワークと互換性のあるプラグイン・アンド・プレイモジュールである。
  論文  参考訳（メタデータ） (2024-01-05T02:54:23Z)
• SegNetr: Rethinking the local-global interactions and skip connections in U-shaped networks [1.121518046252855]
  U字型ネットワークは、シンプルで調整が容易な構造のため、医療画像セグメンテーションの分野を支配してきた。 我々は任意の段階で動的に局所的・局所的相互作用を行なえる新しいSegNetrブロックを導入する。 59%と76%のパラメータとGFLOPがバニラU-Netより少ない4つの主流医療画像セグメンテーションデータセットに対するSegNetrの有効性を検証した。
  論文  参考訳（メタデータ） (2023-07-06T12:39:06Z)
• IDLS: Inverse Depth Line based Visual-Inertial SLAM [9.38589798999922]
  Inverse Depth Line SLAM (IDLS) を提案する。 IDLSは、複数の知覚的整合性データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-04-23T20:53:05Z)
• GlueStick: Robust Image Matching by Sticking Points and Lines Together [64.18659491529382]
  本稿では,1つのワイヤフレーム構造にポイント,ライン,ディスクリプタを統一する新たなマッチングパラダイムを提案する。 私たちの戦略は、他のマッチングアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-04-04T17:58:14Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition [50.9889997200743]
  我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。 SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。 様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T22:28:25Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。