論文の概要: Who Handles Orientation? Investigating Invariance in Feature Matching

• arxiv url: http://arxiv.org/abs/2604.11809v1
• Date: Mon, 13 Apr 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.752383
• Title: Who Handles Orientation? Investigating Invariance in Feature Matching
• Title（参考訳）: 誰がオリエンテーションを手伝うか : 特徴マッチングにおける不変性を探る
• Authors: David Nordström, Johan Edstedt, Fredrik Kahl, Georg Bökman,
• Abstract要約: 例えば、マルチモーダル(WxBS)、エクストリーム(HardMatch)、サテライト画像マッチング(SatAst)といった、航空機内回転に頑健な2つのマーカをリリースする。
• 参考スコア（独自算出の注目度）: 29.044546222577804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding matching keypoints between images is a core problem in 3D computer vision. However, modern matchers struggle with large in-plane rotations. A straightforward mitigation is to learn rotation invariance via data augmentation. However, it remains unclear at which stage rotation invariance should be incorporated. In this paper, we study this in the context of a modern sparse matching pipeline. We perform extensive experiments by training on a large collection of 3D vision datasets and evaluating on popular image matching benchmarks. Surprisingly, we find that incorporating rotation invariance already in the descriptor yields similar performance to handling it in the matcher. However, rotation invariance is achieved earlier in the matcher when it is learned in the descriptor, allowing for a faster rotation-invariant matcher. Further, we find that enforcing rotation invariance does not hurt upright performance when trained at scale. Finally, we study the emergence of rotation invariance through scale and find that increasing the training data size substantially improves generalization to rotated images. We release two matchers robust to in-plane rotations that achieve state-of-the-art performance on e.g. multi-modal (WxBS), extreme (HardMatch), and satellite image matching (SatAst). Code is available at https://github.com/davnords/loma.
• Abstract（参考訳）: 画像間のキーポイントのマッチングは、3Dコンピュータビジョンの中核的な問題である。 しかし、現代の打者は大きな機内回転に苦しむ。 単純な緩和は、データ拡張を通じて回転不変性を学ぶことである。 しかし、どの段階の回転不変性を組み込むべきかは定かではない。 本稿では,現代のスパースマッチングパイプラインの文脈でこれを考察する。 我々は3Dビジョンデータセットの大規模なコレクションをトレーニングし、人気のある画像マッチングベンチマークを評価することで、広範な実験を行う。 意外なことに、すでに記述子に回転不変性を組み込むことで、マーカでそれを扱うのと同じような性能が得られる。 しかし、ディスクリプタで学習するとより早い段階で回転不変性が達成され、より高速な回転不変マッチングが可能となる。 さらに, 回転不変性の強制は, 大規模訓練時の直立性能を損なうことはないことがわかった。 最後に,大規模化による回転不変性の出現について検討し,トレーニングデータサイズの増加が回転画像の一般化を著しく向上させることを示した。 我々は、egマルチモーダル(WxBS)、極端(HardMatch)、衛星画像マッチング(SatAst)の最先端性能を実現する、平面内回転に頑健な2つのマーカをリリースする。 コードはhttps://github.com/davnords/loma.comで入手できる。

関連論文リスト

• Sorted Convolutional Network for Achieving Continuous Rotational Invariance [56.42518353373004]
  テクスチャ画像のハンドメイドな特徴に着想を得たSorting Convolution (SC)を提案する。 SCは、追加の学習可能なパラメータやデータ拡張を必要とせずに連続的な回転不変性を達成する。 以上の結果から, SCは, 上記の課題において, 最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-23T18:37:07Z)
• Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
  我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。 本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。 RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
  論文  参考訳（メタデータ） (2023-03-14T20:55:27Z)
• General Rotation Invariance Learning for Point Clouds via Weight-Feature Alignment [40.421478916432676]
  局所不変参照フレーム(IRF)を構築するために、ウェイト・フィーチャーアライメント(WFA)を提案する。 我々のWFAアルゴリズムは、すべての場面の点雲に対する一般的な解決策を提供する。
  論文  参考訳（メタデータ） (2023-02-20T11:08:07Z)
• RIC-CNN: Rotation-Invariant Coordinate Convolutional Neural Network [56.42518353373004]
  回転不変座標変換(RIC-C)と呼ばれる新しい畳み込み演算を提案する。 CNNの標準畳み込み層を対応するRCC-Cに置き換えることで、RCC-CNNを導出することができる。 RIC-CNNはMNISTの回転試験データセット上で最先端の分類を実現することが観察できる。
  論文  参考訳（メタデータ） (2022-11-21T19:27:02Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Rotated Ring, Radial and Depth Wise Separable Radial Convolutions [13.481518628796692]
  本研究では、トレーニング可能な回転不変畳み込みとネットの構築について述べる。 一方、我々のアプローチは異なるモデルと異なる公開データセットに対して回転不変であることを示す。 提示される回転適応畳み込みモデルは、通常の畳み込みモデルよりも計算集約的である。
  論文  参考訳（メタデータ） (2020-10-02T09:01:51Z)

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。