論文の概要: TACO: Temporal Consensus Optimization for Continual Neural Mapping

• arxiv url: http://arxiv.org/abs/2602.04516v2
• Date: Thu, 05 Feb 2026 09:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.16909
• Title: TACO: Temporal Consensus Optimization for Continual Neural Mapping
• Title（参考訳）: TACO:連続型ニューラルマッピングのための時間的合意最適化
• Authors: Xunlan Zhou, Hongrui Zhao, Negar Mehr,
• Abstract要約: 実世界のロボット展開は、厳格なメモリと計算の制約の下で環境の変化に継続的に適応する必要がある。 従来の手法のほとんどは、一貫性を維持し静的なシーンを仮定するために、歴史的な観察を再現することに依存していた。 本稿では,連続的なニューラルマッピングのためのリプレイフリーフレームワークであるTACOを提案する。
• 参考スコア（独自算出の注目度）: 5.992656898118948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural implicit mapping has emerged as a powerful paradigm for robotic navigation and scene understanding. However, real-world robotic deployment requires continual adaptation to changing environments under strict memory and computation constraints, which existing mapping systems fail to support. Most prior methods rely on replaying historical observations to preserve consistency and assume static scenes. As a result, they cannot adapt to continual learning in dynamic robotic settings. To address these challenges, we propose TACO (TemporAl Consensus Optimization), a replay-free framework for continual neural mapping. We reformulate mapping as a temporal consensus optimization problem, where we treat past model snapshots as temporal neighbors. Intuitively, our approach resembles a model consulting its own past knowledge. We update the current map by enforcing weighted consensus with historical representations. Our method allows reliable past geometry to constrain optimization while permitting unreliable or outdated regions to be revised in response to new observations. TACO achieves a balance between memory efficiency and adaptability without storing or replaying previous data. Through extensive simulated and real-world experiments, we show that TACO robustly adapts to scene changes, and consistently outperforms other continual learning baselines.
• Abstract（参考訳）: ニューラル暗黙マッピングはロボットナビゲーションとシーン理解の強力なパラダイムとして登場した。 しかし、実世界のロボット展開は、既存のマッピングシステムがサポートしていない厳格なメモリと計算制約の下で環境の変化に継続的に適応する必要がある。 従来の手法のほとんどは、一貫性を維持し静的なシーンを仮定するために、歴史的な観察を再現することに依存していた。 結果として、動的ロボット環境での継続的な学習に適応することはできない。 これらの課題に対処するため、連続的なニューラルマッピングのためのリプレイフリーフレームワークであるTACO(TemporAl Consensus Optimization)を提案する。 我々は、過去のモデルスナップショットを時間的隣人として扱う時間的コンセンサス最適化問題としてマッピングを再構成する。 直感的には、我々のアプローチは過去の知識をコンサルティングするモデルに似ている。 我々は、歴史的表現と重み付けされたコンセンサスを強制することによって、現在の地図を更新する。 提案手法は,信頼性の高い過去の幾何を最適化し,信頼性の低い領域や時代遅れ領域を新しい観測に応えて修正することを可能にした。 TACOは、以前のデータを保存または再生することなく、メモリ効率と適応性のバランスを達成する。 シミュレーションおよび実世界の広範な実験を通して、TACOはシーンの変化に頑健に適応し、他の継続的な学習ベースラインを一貫して上回っていることを示す。

関連論文リスト

• Gaussian Mapping for Evolving Scenes [33.02977341856557]
  本稿では,最新の変化を反映して連続的に3次元表現を更新する動的シーン適応機構を提案する。 また,できるだけ多くの情報を保存しながら,時代遅れの観測を破棄する新しい管理機構を提案する。 合成, 実世界の両方のデータセット上でガウス写像(GaME)を評価し, 美術品の状態よりも高精度であることが確認された。
  論文  参考訳（メタデータ） (2025-06-07T20:04:54Z)
• TANTE: Time-Adaptive Operator Learning via Neural Taylor Expansion [9.639856161665962]
  適応的なステップサイズで連続時間予測を生成する演算子学習フレームワークを提案する。 TANTEはテイラー展開を現在の状態に実行することで将来の状態を予測し、ニューラルネットワークは高次の時間微分と局所収束半径の両方を学ぶ。 我々は,PDEベンチマークにおけるTANTEの有効性を実証し,固定ステップベースラインよりも精度と適応性に優れることを示した。
  論文  参考訳（メタデータ） (2025-02-12T17:09:13Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• ConDo: Continual Domain Expansion for Absolute Pose Regression [18.863310509229123]
  この研究はCondo(Continuous Domain Expansion)を提案し、APR(Absolute Pose Regression)を更新するためにラベルのない推論データを継続的に収集する。 ConDoは、アーキテクチャ、シーンタイプ、データ変更のベースラインを一貫して大幅に上回る。 分析は、計算予算、バッファサイズのリプレイ、教師予測ノイズに対するConDoの堅牢性を示している。
  論文  参考訳（メタデータ） (2024-12-18T02:49:20Z)
• Large Continual Instruction Assistant [59.585544987096974]
  CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。 既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。 本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T11:24:59Z)
• Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
  カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。 提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
  論文  参考訳（メタデータ） (2024-07-02T09:11:17Z)
• DPCore: Dynamic Prompt Coreset for Continual Test-Time Adaptation [11.151967974753925]
  Continuousal Test-Time Adaptation (CTTA)は、ソーストレーニング済みのモデルを、継続的に変更され、目に見えないターゲットドメインに適応させることを目指している。 DPCoreは、さまざまなドメイン変更パターンをまたいだ堅牢なパフォーマンスを実現するために設計されたメソッドである。
  論文  参考訳（メタデータ） (2024-06-15T20:47:38Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)

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。