論文の概要: Global-Aware Edge Prioritization for Pose Graph Initialization

• arxiv url: http://arxiv.org/abs/2602.21963v1
• Date: Wed, 25 Feb 2026 14:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.870379
• Title: Global-Aware Edge Prioritization for Pose Graph Initialization
• Title（参考訳）: グラフ初期化のためのグローバルなエッジ優先化
• Authors: Tong Wei, Giorgos Tolias, Jiri Matas, Daniel Barath,
• Abstract要約: 画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
• 参考スコア（独自算出の注目度）: 58.77851776918465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pose graph is a core component of Structure-from-Motion (SfM), where images act as nodes and edges encode relative poses. Since geometric verification is expensive, SfM pipelines restrict the pose graph to a sparse set of candidate edges, making initialization critical. Existing methods rely on image retrieval to connect each image to its $k$ nearest neighbors, treating pairs independently and ignoring global consistency. We address this limitation through the concept of edge prioritization, ranking candidate edges by their utility for SfM. Our approach has three components: (1) a GNN trained with SfM-derived supervision to predict globally consistent edge reliability; (2) multi-minimal-spanning-tree-based pose graph construction guided by these ranks; and (3) connectivity-aware score modulation that reinforces weak regions and reduces graph diameter. This globally informed initialization yields more reliable and compact pose graphs, improving reconstruction accuracy in sparse and high-speed settings and outperforming SOTA retrieval methods on ambiguous scenes. The ode and trained models are available at https://github.com/weitong8591/global_edge_prior.
• Abstract（参考訳）: ポーズグラフはStructure-from-Motion(SfM)のコアコンポーネントであり、画像はノードとして機能し、エッジは相対的なポーズをエンコードする。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限し、初期化が重要となる。 既存の方法は、画像の検索に頼り、各画像を近隣の$k$に接続し、ペアを独立して扱い、グローバルな一貫性を無視している。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジの信頼性を予測するために,SfMからトレーニングされたGNN,(2)これらのランクでガイドされるマルチミニマルスパンニングツリーベースのポーズグラフ構築,(3)弱い領域を補強し,グラフ径を小さくする接続性を考慮したスコア変調である。 このグローバルな初期化により、より信頼性が高くコンパクトなポーズグラフが得られ、スパースおよび高速な設定における再構成精度が向上し、曖昧なシーンでのSOTA検索方法よりも優れる。 odeとトレーニングされたモデルはhttps://github.com/weitong8591/global_edge_prior.orgで公開されている。

関連論文リスト

• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• Robust and High-Fidelity 3D Gaussian Splatting: Fusing Pose Priors and Geometry Constraints for Texture-Deficient Outdoor Scenes [10.279549537925062]
  3D Gaussian Splatting (3DGS)は、デジタルアセット作成のための重要なレンダリングパイプラインとして登場した。 不安定なポーズ推定とシーン表現歪みの問題に対処するため,2つの側面からこの問題にアプローチする。 ポーズ推定にはLiDAR-IMUオドメトリーを用い,大規模環境下でカメラに事前ポーズを提供する。 シーン表現には、正規ベクトル制約と効果的なランク正規化を導入し、ガウス原始体の方向と形状の整合性を強制する。
  論文  参考訳（メタデータ） (2025-11-10T06:45:08Z)
• Policies over Poses: Reinforcement Learning based Distributed Pose-Graph Optimization for Multi-Robot SLAM [1.3750624267664158]
  多ボットローカライゼーションにおける逐次分散ポーズグラフ最適化(PGO)について検討する。 我々は,PGOをマルコフニューラルネットワーク(GNN)上で定義された部分観測可能なゲームとみなし,各アクションが単一エッジのポーズ推定を洗練させる。 学習者の平均軌道は37.5%減少し,効率は少なくとも6倍向上した。
  論文  参考訳（メタデータ） (2025-10-26T16:21:24Z)
• Initialize to Generalize: A Stronger Initialization Pipeline for Sparse-View 3DGS [31.824354716471294]
  Sparse-view 3D Gaussian Splatting (3DGS)はトレーニングビューによく適しており、新しいビューレンダリングのぼやけのようなアーティファクトにつながります。 以前の作業では、Structure-from-Motion(SfM)からポイントクラウドを拡張するか、3DGS最適化にトレーニング時間制限(正規化)を追加することで対処していた。 我々は、低周波ビュー拡張と緩和されたマルチビュー対応により、低テクスチャカバレッジを改善する周波数対応SfMを設計する。
  論文  参考訳（メタデータ） (2025-10-20T12:23:19Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Edge Weight Prediction For Category-Agnostic Pose Estimation [12.308036453869033]
  Category-Agnostic Pose Estimation (CAPE) は、様々なオブジェクトカテゴリにまたがるキーポイントを1つのモデルでローカライズする。 グラフのエッジ重みを予測することによって制限を克服する新しいフレームワークであるEdgeCapeを紹介する。 これにより,グローバルな空間依存を捕捉するモデルの能力が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-25T18:53:09Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。