論文の概要: XRefine: Attention-Guided Keypoint Match Refinement

• arxiv url: http://arxiv.org/abs/2601.12530v1
• Date: Sun, 18 Jan 2026 18:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.666576
• Title: XRefine: Attention-Guided Keypoint Match Refinement
• Title（参考訳）: XRefine: Atention-Guided Keypoint Match Refinement
• Authors: Jan Fabian Schmid, Annika Hagemann,
• Abstract要約: XRefineは、サブピクセルキーポイントの改良のための、新しい、検出器に依存しないアプローチである。 我々のクロスアテンションに基づくアーキテクチャは、内部検出器表現に頼ることなく、改良されたキーポイント座標を予測することを学ぶ。 MegaDepth、KITTI、ScanNetの実験では、このアプローチが幾何推定精度を一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 2.318985488473778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse keypoint matching is crucial for 3D vision tasks, yet current keypoint detectors often produce spatially inaccurate matches. Existing refinement methods mitigate this issue through alignment of matched keypoint locations, but they are typically detector-specific, requiring retraining for each keypoint detector. We introduce XRefine, a novel, detector-agnostic approach for sub-pixel keypoint refinement that operates solely on image patches centered at matched keypoints. Our cross-attention-based architecture learns to predict refined keypoint coordinates without relying on internal detector representations, enabling generalization across detectors. Furthermore, XRefine can be extended to handle multi-view feature tracks. Experiments on MegaDepth, KITTI, and ScanNet demonstrate that the approach consistently improves geometric estimation accuracy, achieving superior performance compared to existing refinement methods while maintaining runtime efficiency. Our code and trained models can be found at https://github.com/boschresearch/xrefine.
• Abstract（参考訳）: スパースキーポイントマッチングは3次元視覚タスクには不可欠であるが、現在のキーポイント検出器は空間的に不正確なマッチングを生成することが多い。 既存の改良手法は、一致したキーポイント位置のアライメントによってこの問題を軽減するが、通常は検出専用であり、各キーポイント検出器に再トレーニングを必要とする。 XRefineは,一致したキーポイントを中心とした画像パッチのみで動作するサブピクセルキーポイント改良のための,新しい検出非依存のアプローチである。 我々のクロスアテンションに基づくアーキテクチャは、内部検出器表現に頼ることなく改良されたキーポイント座標を予測し、検出器間の一般化を可能にする。 さらに、XRefineはマルチビュー機能トラックを扱うように拡張できる。 MegaDepth、KITTI、ScanNetの実験では、このアプローチは幾何推定精度を一貫して改善し、実行効率を維持しながら既存の精細化手法よりも優れた性能を実現している。 私たちのコードとトレーニングされたモデルは、https://github.com/boschresearch/xrefine.orgにある。

関連論文リスト

• Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
  本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。 本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T12:39:56Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• KeyPosS: Plug-and-Play Facial Landmark Detection through GPS-Inspired True-Range Multilateration [28.96448680048584]
  KeyPoint Positioning System (KeyPosS) は、関心点と完全な畳み込みネットワークによって予測されるアンカー点の距離を三角にして正確なランドマーク座標を導出する最初のフレームワークである。 4つのデータセットの実験では、計算オーバーヘッドが最小限であるにもかかわらず、KeyPosSは、解像度の低い設定で既存のメソッドを上回り、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-05-25T19:30:21Z)
• Pixel-Perfect Structure-from-Motion with Featuremetric Refinement [96.73365545609191]
  複数視点からの低レベル画像情報を直接アライメントすることで、動きからの2つの重要なステップを洗練する。 これにより、様々なキーポイント検出器のカメラポーズとシーン形状の精度が大幅に向上する。 本システムは,大規模な画像コレクションに容易にスケールできるので,クラウドソースによる大規模なローカライゼーションを実現することができる。
  論文  参考訳（メタデータ） (2021-08-18T17:58:55Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)

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。