論文の概要: Aerial Image Stitching Using IMU Data from a UAV

• arxiv url: http://arxiv.org/abs/2511.06841v1
• Date: Mon, 10 Nov 2025 08:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.163931
• Title: Aerial Image Stitching Using IMU Data from a UAV
• Title（参考訳）: UAVからのIMUデータを用いた航空画像スティッチ
• Authors: Selim Ahmet Iz, Mustafa Unel,
• Abstract要約: 無人航空機(UAV)は航空写真やリモートセンシング用途に広く使われている。 主な課題の1つは、複数の画像を大きな領域をカバーする単一の高解像度画像に縫い合わせることである。 本稿では,UAVで撮影した画像の縫合にIMUデータとコンピュータビジョン技術を組み合わせた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned Aerial Vehicles (UAVs) are widely used for aerial photography and remote sensing applications. One of the main challenges is to stitch together multiple images into a single high-resolution image that covers a large area. Featurebased image stitching algorithms are commonly used but can suffer from errors and ambiguities in feature detection and matching. To address this, several approaches have been proposed, including using bundle adjustment techniques or direct image alignment. In this paper, we present a novel method that uses a combination of IMU data and computer vision techniques for stitching images captured by a UAV. Our method involves several steps such as estimating the displacement and rotation of the UAV between consecutive images, correcting for perspective distortion, and computing a homography matrix. We then use a standard image stitching algorithm to align and blend the images together. Our proposed method leverages the additional information provided by the IMU data, corrects for various sources of distortion, and can be easily integrated into existing UAV workflows. Our experiments demonstrate the effectiveness and robustness of our method, outperforming some of the existing feature-based image stitching algorithms in terms of accuracy and reliability, particularly in challenging scenarios such as large displacements, rotations, and variations in camera pose.
• Abstract（参考訳）: 無人航空機(UAV)は航空写真やリモートセンシング用途に広く使われている。 主な課題の1つは、複数の画像を大きな領域をカバーする単一の高解像度画像に縫い合わせることである。 特徴に基づく画像縫合アルゴリズムは一般的に用いられているが、特徴の検出とマッチングにおいて誤りや曖昧さに悩まされることがある。 これを解決するために、バンドル調整技術や直接画像アライメントなど、いくつかのアプローチが提案されている。 本稿では,UAVで撮影した画像の縫い付けにIMUデータとコンピュータビジョン技術を組み合わせた新しい手法を提案する。 本手法は、連続画像間のUAVの変位と回転を推定し、視点歪みを補正し、ホモグラフィ行列を演算するなど、いくつかのステップを含む。 次に、標準的な画像縫合アルゴリズムを用いて、画像のアライメントとブレンドを行う。 提案手法は,IMUデータから得られる付加情報を活用し,様々な歪み源を補正し,既存のUAVワークフローに容易に組み込むことができる。 提案手法の有効性とロバスト性を実証し,既存の特徴量に基づく画像縫合アルゴリズムの精度と信頼性,特に大規模な変位,回転,カメラポーズの変動といった困難なシナリオにおいて,その有効性を実証した。

関連論文リスト

• Foundation Visual Encoders Are Secretly Few-Shot Anomaly Detectors [58.75916798814376]
  FoundADと呼ばれる数発の異常検出装置を開発した。 画像中の異常量は学習した埋め込みの差と直接相関する。 簡単な演算子は、画像中の分布外領域を特徴付け識別する異常検出の有効なツールとして機能する。
  論文  参考訳（メタデータ） (2025-10-02T11:53:20Z)
• Multi-Sensor Diffusion-Driven Optical Image Translation for Large-Scale Applications [3.4085512042262374]
  本稿では,大規模な低空間分解能画像を,異なる光学センサから高分解能に高分解能に分解する手法を提案する。 提案手法は, 高精度な領域適応, 画像内容の保存, 精度の向上, 特徴表現の両立を実現する。 我々は,0.1884のLearned Perceptual Image Patch similarity (mLPIPS) と45.64のFr'echet Inception Distance (FID) に到達し,比較したすべての手法を表現的に上回る結果を得た。
  論文  参考訳（メタデータ） (2024-04-17T10:49:00Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
  2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。 本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。 提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
  論文  参考訳（メタデータ） (2023-05-20T17:01:52Z)
• Deep Learning-Based UAV Aerial Triangulation without Image Control Points [6.335630432207172]
  POS がサポートする UAV 画像自由制御の大規模マッピングを実現するには,多くの技術的問題がある。 ディープラーニングは多くの面で、従来の手作りの機能のパフォーマンスを上回っています。 本稿では,ディープラーニング画像の特徴に基づく新しいドローン画像登録手法を提案する。
  論文  参考訳（メタデータ） (2023-01-07T15:01:38Z)
• LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution Homography Estimation [52.63874513999119]
  クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。 既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。 本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:51:45Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• IMU-Assisted Learning of Single-View Rolling Shutter Correction [16.242924916178282]
  ローリングシャッター歪みは、写真やコンピュータビジョンアルゴリズムにとって非常に望ましくない。 回転シャッター補正のための1つの画像から深度と行ワイドポーズを予測するディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-05T21:33:25Z)
• Wide-angle Image Rectification: A Survey [86.36118799330802]
  広角画像は、基礎となるピンホールカメラモデルに反する歪みを含む。 これらの歪みを補正することを目的とした画像修正は、これらの問題を解決することができる。 本稿では、異なるアプローチで使用されるカメラモデルについて、詳細な説明と議論を行う。 次に,従来の幾何学に基づく画像修正手法と深層学習法の両方について検討する。
  論文  参考訳（メタデータ） (2020-10-30T17:28:40Z)
• Leveraging Photogrammetric Mesh Models for Aerial-Ground Feature Point Matching Toward Integrated 3D Reconstruction [19.551088857830944]
  地上・地上画像の統合は, 都市環境における表面の再構築を効果的に進めるためのアプローチとして証明されている。 幾何認識による画像補正に基づく従来の研究により,この問題は緩和された。 地上画像マッチングにフォトグラムメッシュモデルを利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T01:47:59Z)

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。

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。