論文の概要: LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization

• arxiv url: http://arxiv.org/abs/2604.11355v1
• Date: Mon, 13 Apr 2026 11:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.513259
• Title: LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization
• Title（参考訳）: LEADER:LiDAR再ローカライゼーションのための信頼性の高いローカル-グローバル対応学習
• Authors: Jianshi Wu, Minghang Zhu, Dunqiang Liu, Wen Li, Sheng Ao, Siqi Shen, Chenglu Wen, Cheng Wang,
• Abstract要約: 我々は,単純かつ効果的な幾何エンコーダによって強化されたロバストなLiDARベースの再ローカライズフレームワークであるLEADERを提案する。 オックスフォード・ロボットカーとNCLTデータセットの実験は、LEADERが最先端の手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 44.37632368250295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR relocalization has attracted increasing attention as it can deliver accurate 6-DoF pose estimation in complex 3D environments. Recent learning-based regression methods offer efficient solutions by directly predicting global poses without the need for explicit map storage. However, these methods often struggle in challenging scenes due to their equal treatment of all predicted points, which is vulnerable to noise and outliers. In this paper, we propose LEADER, a robust LiDAR-based relocalization framework enhanced by a simple, yet effective geometric encoder. Specifically, a Robust Projection-based Geometric Encoder architecture which captures multi-scale geometric features is first presented to enhance descriptiveness in geometric representation. A Truncated Relative Reliability loss is then formulated to model point-wise ambiguity and mitigate the influence of unreliable predictions. Extensive experiments on the Oxford RobotCar and NCLT datasets demonstrate that LEADER outperforms state-of-the-art methods, achieving 24.1% and 73.9% relative reductions in position error over existing techniques, respectively. The source code is released on https://github.com/JiansW/LEADER.
• Abstract（参考訳）: 複雑な3D環境で正確な6-DoFポーズ推定を実現するため、LiDARの再ローカライゼーションが注目されている。 近年の学習に基づく回帰法は, 明示的なマップストレージを必要とせずに, グローバルなポーズを直接予測することで, 効率的な解を提供する。 しかし、これらの手法は、騒音や外れ値に弱い全ての予測点を等しく扱うため、しばしば挑戦的な場面で苦労する。 本稿では,単純かつ効果的な幾何エンコーダによって強化されたロバストなLiDARベースの再ローカライズフレームワークであるLEADERを提案する。 具体的には、ロバスト・プロジェクションをベースとした幾何エンコーダアーキテクチャで、幾何表現における記述性を高めるために、マルチスケールの幾何学的特徴をキャプチャする。 その後、Trncated Relative Reliability Losが定式化され、ポイントワイドの曖昧さをモデル化し、信頼できない予測の影響を軽減する。 オックスフォード・ロボットカーとNCLTデータセットの大規模な実験により、LEADERは最先端の手法よりも優れており、既存の技術よりも24.1%と73.9%の相対的な位置誤差の減少を達成している。 ソースコードはhttps://github.com/JiansW/LEADER.comで公開されている。

関連論文リスト

• CLaRE-ty Amid Chaos: Quantifying Representational Entanglement to Predict Ripple Effects in LLM Editing [4.180400747723904]
  我々は、リップル効果の発生箇所を特定するための表現レベル技術であるCLaREを紹介する。 CLaREは、単一の中間層からのフォワードアクティベーションを使用して事実間の絡み合いを定量化し、コストのかかる後方通過を回避する。 複数のモデルに対して、このコーパスの大規模絡み合いグラフを計算し、局所的な編集が表現空間を通してどのように伝播するかをキャプチャする。
  論文  参考訳（メタデータ） (2026-03-11T04:11:49Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Approaching Outside: Scaling Unsupervised 3D Object Detection from 2D Scene [22.297964850282177]
  教師なし3次元検出のためのLiDAR-2D Self-paced Learning (LiSe)を提案する。 RGB画像は、正確な2Dローカライゼーションキューを提供するLiDARデータの貴重な補完となる。 本フレームワークでは,適応型サンプリングと弱いモデルアグリゲーション戦略を組み込んだ自己評価学習パイプラインを考案する。
  論文  参考訳（メタデータ） (2024-07-11T14:58:49Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。