論文の概要: From Propagation to Prediction: Point-level Uncertainty Evaluation of MLS Point Clouds under Limited Ground Truth

• arxiv url: http://arxiv.org/abs/2511.03053v1
• Date: Tue, 04 Nov 2025 22:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.269194
• Title: From Propagation to Prediction: Point-level Uncertainty Evaluation of MLS Point Clouds under Limited Ground Truth
• Title（参考訳）: 伝播から予測へ:限られた地中におけるMLS点雲の点レベル不確実性評価
• Authors: Ziyang Xu, Olaf Wysocki, Christoph Holst,
• Abstract要約: 不確実性を評価することは、多くの高精度アプリケーションにおいて、モバイルレーザー走査(MLS)ポイントクラウドの信頼性の高い使用にとって重要である。 本研究では,最適近傍推定と幾何学的特徴抽出を統合したMLS点雲の学習フレームワークを提案する。 実世界のデータセットの実験では、提案されたフレームワークは実現可能であり、XGBoostモデルはランダムフォレストと完全に同等の精度を提供する。
• 参考スコア（独自算出の注目度）: 4.164044593574969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating uncertainty is critical for reliable use of Mobile Laser Scanning (MLS) point clouds in many high-precision applications such as Scan-to-BIM, deformation analysis, and 3D modeling. However, obtaining the ground truth (GT) for evaluation is often costly and infeasible in many real-world applications. To reduce this long-standing reliance on GT in uncertainty evaluation research, this study presents a learning-based framework for MLS point clouds that integrates optimal neighborhood estimation with geometric feature extraction. Experiments on a real-world dataset show that the proposed framework is feasible and the XGBoost model delivers fully comparable accuracy to Random Forest while achieving substantially higher efficiency (about 3 times faster), providing initial evidence that geometric features can be used to predict point-level uncertainty quantified by the C2C distance. In summary, this study shows that MLS point clouds' uncertainty is learnable, offering a novel learning-based viewpoint towards uncertainty evaluation research.
• Abstract（参考訳）: Scan-to-BIM, 変形解析, 3Dモデリングなど多くの高精度アプリケーションにおいて, MLS(Mobile Laser Scanning)点雲の信頼性の高い利用には, 不確実性の評価が重要である。 しかし、評価のための基礎的真理(GT)を取得することは、多くの現実世界の応用においてコストがかかり、実現不可能であることが多い。 本研究では,不確実性評価研究におけるGTへの長年の依存を軽減するために,最適近傍推定と幾何学的特徴抽出を統合したMLS点雲の学習ベースフレームワークを提案する。 実世界のデータセットでの実験では、提案したフレームワークは実現可能であり、XGBoostモデルは、かなり高い効率(約3倍高速)を達成しながら、Random Forestと完全に同等の精度を提供する。 本研究は,MLS点雲の不確実性は学習可能であることを示し,不確実性評価研究への新たな学習的視点を提供する。

関連論文リスト

• Point-level Uncertainty Evaluation of Mobile Laser Scanning Point Clouds [4.164044593574969]
  本研究では,点レベルの不確実性評価のための機械学習に基づくフレームワークを提案する。 局所幾何学的特徴と点レベルの誤差の関係を学習する。 実験により,両モデルが幾何特性と不確実性の間の非線形関係を効果的に捉えることができることを示した。
  論文  参考訳（メタデータ） (2025-10-24T21:30:52Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation [68.106428321492]
  大規模言語モデル (LLM) は高度な推論能力を示し、ロボットが自然言語の命令を理解し、適切な接地で高レベルな計画を生成することができる。 LLMの幻覚は重大な課題であり、しばしば過度に信頼され、不一致または安全でない計画に繋がる。 本研究は, 信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性評価を別々に評価するものである。
  論文  参考訳（メタデータ） (2025-10-09T10:26:58Z)
• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
  大規模言語モデル(LLM)のための最初の形式的確率的評価フレームワークを紹介する。 すなわち,モデルの出力分布に関する確率保証の高い新しい指標を提案する。 私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
  論文  参考訳（メタデータ） (2024-10-04T15:44:23Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Exploring Cross-Point Embeddings for 3D Dense Uncertainty Estimation [10.553297191854837]
  本稿では,3次元点雲の密度予測タスクに対する新しい不確実性推定手法であるCUEを提案する。 計量学習にインスパイアされたCUEの鍵となる考え方は、従来の密接な予測パイプラインへのクロスポイント埋め込みを探索することである。 CUEは2つの異なるタスクにおいて3次元点雲の密度不確かさを推定するための汎用的で効果的なツールであることを示す。
  論文  参考訳（メタデータ） (2022-09-29T07:48:50Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)

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。