論文の概要: Image-Conditioned Adaptive Parameter Tuning for Visual Odometry Frontends

• arxiv url: http://arxiv.org/abs/2603.21785v1
• Date: Mon, 23 Mar 2026 10:26:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.607946
• Title: Image-Conditioned Adaptive Parameter Tuning for Visual Odometry Frontends
• Title（参考訳）: ビジュアルオドメトリーフロントエンドのための画像記述型適応パラメータチューニング
• Authors: Simone Nascivera, Leonard Bauersfeld, Jeff Delaune, Davide Scaramuzza,
• Abstract要約: 資源に制約のある自律ロボットは、疎直かつ半直接的なビジュアル・オドメトリー(VO)パイプラインに依存している。 VOパラメータのオンラインチューニングのための最初の画像条件強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.343239924094764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resource-constrained autonomous robots rely on sparse direct and semi-direct visual-(inertial)-odometry (VO) pipelines, as they provide a favorable tradeoff between accuracy, robustness, and computational cost. However, the performance of most systems depends critically on hand-tuned hyperparameters governing feature detection, tracking, and outlier rejection. These parameters are typically fixed during deployment, even though their optimal values vary with scene characteristics such as texture density, illumination, motion blur, and sensor noise, leading to brittle performance in real-world environments. We propose the first image-conditioned reinforcement learning framework for online tuning of VO frontend parameters, effectively embedding the expert into the system. Our key idea is to formulate the frontend configuration as a sequential decision-making problem and learn a policy that directly maps visual input to feature detection and tracking parameters. The policy uses a lightweight texture-aware CNN encoder and a privileged critic during training. Unlike prior RL-based approaches that rely solely on internal VO statistics, our method observes the image content and proactively adapts parameters before tracking degrades. Experiments on TartanAirV2 and TUM RGB-D show 3x longer feature tracks and 3x lower computational cost, despite training entirely in simulation.
• Abstract（参考訳）: リソースに制約された自律ロボットは、正確性、堅牢性、計算コストのトレードオフとして、疎直かつ半直接的なビジュアル・オドメトリー(VO)パイプラインに依存している。 しかし、ほとんどのシステムの性能は、特徴の検出、追跡、そして外乱の拒絶を管理する手動のハイパーパラメータに大きく依存する。 これらのパラメータは通常、配置中に固定されるが、最適値はテクスチャ密度、照明、動きのぼかし、センサーノイズなどのシーン特性によって異なり、現実の環境では不安定なパフォーマンスをもたらす。 本稿では,VOフロントエンドパラメータのオンラインチューニングのための最初の画像条件強化学習フレームワークを提案する。 私たちのキーとなる考え方は、フロントエンドの構成をシーケンシャルな意思決定問題として定式化し、視覚入力を直接特徴検出・追跡パラメータにマッピングするポリシーを学ぶことです。 このポリシーでは、軽量なテクスチャ対応CNNエンコーダと、トレーニング中に特権的な批評家を使用する。 内部VO統計にのみ依存する従来のRLベースのアプローチとは異なり、本手法は画像の内容を観察し、劣化を追跡する前にパラメータを積極的に適応する。 TartanAirV2 と TUM RGB-D の実験では、完全にシミュレーションされたにもかかわらず、3倍の長い機能トラックと3倍の計算コストが示された。

関連論文リスト

• A Physically-Grounded Attack and Adaptive Defense Framework for Real-World Low-Light Image Enhancement [11.903420482259257]
  限られた照明は、しばしば画像の厳しい物理的ノイズと細部劣化を引き起こす。 既存の低光画像強調法(LLIE)は、拡張プロセスをブラインドブラックボックスマッピングとして扱う。 本稿では,物理に基づく攻撃とディスプレイ適応防衛のパラダイムとして概念的に定式化された新しいLLIE手法を提案する。
  論文  参考訳（メタデータ） (2026-03-15T09:44:54Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• PPISP: Physically-Plausible Compensation and Control of Photometric Variations in Radiance Field Reconstruction [10.040461884848403]
  物理的に証明可能なISP補正モジュールは、カメラ固有の効果とキャプチャ依存効果を分離する。 入力ビューに基づいてトレーニングされた専用PPISPコントローラは、新しい視点でISPパラメータを予測する。
  論文  参考訳（メタデータ） (2026-01-26T10:23:43Z)
• Analysis of Hyperparameter Optimization Effects on Lightweight Deep Models for Real-Time Image Classification [0.0]
  本研究では,ConvNeXt-T,EfficientV2-S,MobileNetV3-L,MobileViT v2(S/XS),RepVGG-A2,TinyViT-21Mの7つの軽量アーキテクチャの精度と展開可能性を評価する。 チューニングだけでは、ベースラインを1.5から3.5パーセント上回るトップ1の精度向上につながり、選択されたモデルでは、レイテンシが5ミリ秒未満で、毎秒9800フレームを超える。
  論文  参考訳（メタデータ） (2025-07-31T07:47:30Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• Rethinking the Hyperparameters for Fine-tuning [78.15505286781293]
  事前訓練されたImageNetモデルからの微調整は、様々なコンピュータビジョンタスクのデファクトスタンダードとなっている。 ファインチューニングの現在のプラクティスは、通常、ハイパーパラメータのアドホックな選択を選択することである。 本稿では、微調整のためのハイパーパラメータの設定に関するいくつかの一般的なプラクティスを再検討する。
  論文  参考訳（メタデータ） (2020-02-19T18:59:52Z)

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。