論文の概要: Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement

• arxiv url: http://arxiv.org/abs/2605.00634v1
• Date: Fri, 01 May 2026 13:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.958115
• Title: Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement
• Title（参考訳）: Paired-CSLiDAR:クロスソースエアリアルグラウンドLiDARポインターリファインメントの高スペクトルレジストレーション
• Authors: Montana Hoover, Jing Liang, Tianrui Guan, Dinesh Manocha,
• Abstract要約: Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
• 参考スコア（独自算出の注目度）: 46.13526676100776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Paired-CSLiDAR (CSLiDAR), a cross-source aerial-ground LiDAR benchmark for single-scan pose refinement: refining a ground-scan pose within a 50 m-radius aerial crop. The benchmark contains 12,683 ground-aerial pairs across 6 evaluation sites and per-scan reference 6-DoF alignments for sub-meter root-mean-square error (RMSE) evaluation. Because aerial scans capture rooftops and canopy while ground scans capture facades and under-canopy, the two modalities share only a fraction of their geometry, primarily the terrain surface, causing standard registration methods and learned correspondence models to converge to metrically incorrect local minima. We propose Residual-Guided Stratified Registration (RGSR), a training-free, geometry-only refinement pipeline that exploits the shared ground plane through height-stratified ICP, reversed registration directions, and confidence-gated accept-if-better selection. RGSR achieves 86.0% S@0.75 m and 99.8% S@1.0 m on the primary benchmark of 9,012 scans, outperforming both the confidence-gated cascade at 83.7% and GeoTransformer at 76.3%. We validate RMSE-based pose selection with independent survey control and trajectory consistency, and show that added Fourier-Mellin BEV proposals can reduce RMSE while increasing actual pose error under extreme partial overlap. The dataset and code are being prepared for public release.
• Abstract（参考訳）: Paired-CSLiDAR (CSLiDAR) は、地上50mの空中作物を改良した単走査ポーズ改善のための、クロスソースな地上LiDARベンチマークである。 このベンチマークは6つの評価地点で12,683対の地上空対と、サブメーター根平均二乗誤差(RMSE)評価のためのスキャンごとの基準6-DoFアライメントを含む。 地上スキャンがファサードとアンダーキャノピーを捉えている間、空中スキャンが屋上とキャノピーを捉えているため、2つのモダリティはジオメトリーのごく一部しか共有していない。 本研究では,高層化ICP,逆登録方向,信頼ゲート型アクセプション・イン・ベタ選択による共有接地平面を利用する,トレーニングフリーで幾何のみの改良パイプラインであるResidual-Guided Stratified Registration (RGSR)を提案する。 RGSRは9,012スキャンの一次ベンチマークで86.0%のS@0.75 mと99.8%のS@1.0 mを達成し、自信を持ったカスケードを83.7%、GeoTransformerを76.3%で上回った。 我々は,RMSEに基づくポーズ選択を独立調査制御とトラジェクトリ整合性で検証し,Fourier-Mellin BEV提案を付加することで,極端な部分的重なりの下で実際のポーズ誤りを増大させながらRMSEを低減できることを示す。 データセットとコードはパブリックリリースに向けて準備されている。

関連論文リスト

• Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration [61.02313993032298]
  超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。 GeoSR-Benchは、SRモデルから改良された画像解像度と下流の地球モニタリングタスクを直接接続する最初のSRベンチマークである。 270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。
  論文  参考訳（メタデータ） (2026-05-01T00:44:46Z)
• Graph Theoretical Outlier Rejection for 4D Radar Registration in Feature-Poor Environments [0.6171990546748666]
  自動車用4Dイメージングレーダーは、ほこりの多い低視界環境での運用に適している。 しかし、ノイズやマルチパスリフレクションによるスキャンの間隔と急激な検出のため、登録は依然として困難である。 斜線グラフ(PCM)に対するレーダ適応型ペアワイズ距離不変スコアリング関数を提案する。 提案手法は,1mセグメントで29.6%,100mセグメントで最大で29.6%削減する。
  論文  参考訳（メタデータ） (2026-04-16T10:44:47Z)
• Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
  非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。 ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
  論文  参考訳（メタデータ） (2026-03-12T06:19:51Z)
• Semantic Landmark Particle Filter for Robot Localisation in Vineyards [1.1077058391970922]
  平行な作物列は、ほぼ同じLiDAR観測を発生させ、幾何学のみのSLAM系と視覚ベースのSLAM系が間違った回廊に収束する。 本稿では,トランクおよびポールランドマーク検出を2次元LiDARと統合したセマンティックランドマーク粒子フィルタを提案する。
  論文  参考訳（メタデータ） (2026-03-11T14:57:14Z)
• HOTFLoc++: End-to-End Hierarchical LiDAR Place Recognition, Re-Ranking, and 6-DoF Metric Localisation in Forests [28.2471069671262]
  HOTFLoc++は、森林におけるLiDARの位置認識、再ランク付け、および6-DoFメトリックローカライゼーションのためのエンドツーエンドフレームワークである。 劣化した単一スケール対応の存在下での再ランクの失敗を低減するための,学習可能な多スケール幾何検証モジュールを提案する。
  論文  参考訳（メタデータ） (2025-11-12T10:10:23Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
  異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。 ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。 現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。 クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-08T09:01:13Z)
• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。 我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
  AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。 AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。 ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
  論文  参考訳（メタデータ） (2023-07-28T08:05:36Z)
• CroCo: Cross-Modal Contrastive learning for localization of Earth Observation data [62.96337162094726]
  地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。 本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。 ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
  論文  参考訳（メタデータ） (2022-04-14T15:55:00Z)

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。