論文の概要: IRIS-SLAM: Unified Geo-Instance Representations for Robust Semantic Localization and Mapping

• arxiv url: http://arxiv.org/abs/2602.18709v1
• Date: Sat, 21 Feb 2026 03:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.253532
• Title: IRIS-SLAM: Unified Geo-Instance Representations for Robust Semantic Localization and Mapping
• Title（参考訳）: IRIS-SLAM:ロバストなセマンティックなローカライゼーションとマッピングのための統合ジオインスタンス表現
• Authors: Tingyang Xiao, Liu Liu, Wei Feng, Zhengyu Zou, Xiaolin Zhou, Wei Sui, Hao Li, Dingwen Zhang, Zhizhong Su,
• Abstract要約: IRIS-SLAMは、深いセマンティック理解と堅牢なループ閉鎖機能を備えた新しいセマンティックSLAMシステムである。 本手法は,幾何学的再構成と開語彙マッピングのギャップを埋めるために,視点に依存しないセマンティックアンカーを効果的に活用する。
• 参考スコア（独自算出の注目度）: 36.47767341564306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometry foundation models have significantly advanced dense geometric SLAM, yet existing systems often lack deep semantic understanding and robust loop closure capabilities. Meanwhile, contemporary semantic mapping approaches are frequently hindered by decoupled architectures and fragile data association. We propose IRIS-SLAM, a novel RGB semantic SLAM system that leverages unified geometric-instance representations derived from an instance-extended foundation model. By extending a geometry foundation model to concurrently predict dense geometry and cross-view consistent instance embeddings, we enable a semantic-synergized association mechanism and instance-guided loop closure detection. Our approach effectively utilizes viewpoint-agnostic semantic anchors to bridge the gap between geometric reconstruction and open-vocabulary mapping. Experimental results demonstrate that IRIS-SLAM significantly outperforms state-of-the-art methods, particularly in map consistency and wide-baseline loop closure reliability.
• Abstract（参考訳）: 幾何基礎モデルは非常に高度な幾何学的SLAMを持つが、既存のシステムは深い意味理解と頑健なループ閉鎖能力に欠けることが多い。 一方、現代の意味マッピングアプローチは、疎結合のアーキテクチャと脆弱なデータアソシエーションによってしばしば妨げられる。 IRIS-SLAMは、インスタンス拡張基盤モデルから導出される統一的な幾何学的インスタンス表現を利用する新しいRGBセマンティックSLAMシステムである。 幾何基礎モデルを拡張して高密度な幾何と一貫したインスタンス埋め込みを同時に予測することにより、セマンティック・シナージュ化されたアソシエーション機構とインスタンス誘導ループ閉包検出を可能にする。 本手法は,幾何学的再構成と開語彙マッピングのギャップを埋めるために,視点に依存しないセマンティックアンカーを効果的に活用する。 実験結果から, IRIS-SLAM は最先端手法, 特に地図の整合性, 幅広いループ閉鎖信頼性において著しく優れていた。

関連論文リスト

• FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
  FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。 我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
  論文  参考訳（メタデータ） (2025-12-31T17:57:45Z)
• Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning [3.214168764374659]
  特徴学習パイプライン全体を通して非線形幾何学情報を明示的に組み込んだ,多様体対応のクラウド補完フレームワークを提案する。 我々の手法は、復元品質における最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-12-05T13:38:35Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Hybrid-CSR: Coupling Explicit and Implicit Shape Representation for Cortical Surface Reconstruction [28.31844964164312]
  Hybrid-CSRは、皮質表面再構成のための明示的および暗黙的な形状表現を組み合わせた幾何学的深層学習モデルである。 本手法は, 明示的(指向性点雲)と暗黙的(指標関数)の皮質表面再構成を統一する。
  論文  参考訳（メタデータ） (2023-07-23T11:32:14Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。