論文の概要: Extending Deep Event Visual Odometry with Sparse Point-Cloud Export

• arxiv url: http://arxiv.org/abs/2605.22890v1
• Date: Thu, 21 May 2026 10:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.026137
• Title: Extending Deep Event Visual Odometry with Sparse Point-Cloud Export
• Title（参考訳）: Sparse Point-Cloud ExportによるDeep Event Visual Odometryの拡張
• Authors: Alireza Safdari, Sajad Ashraf,
• Abstract要約: イベントカメラは、高速な動きと挑戦的な照明条件下での視覚計測に適している。 ディープ・イベント・ビジュアル・オドメトリー(DEVO)は、単眼のイベントのみのオドメトリーが強い性能を発揮することを示した。 本プロジェクトでは,Defoをスパースポイントクラウドエクスポートパイプラインで拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event cameras are well suited for visual odometry under high-speed motion and challenging lighting conditions due to their low latency, high temporal resolution, and high dynamic range. Deep Event Visual Odometry (DEVO) demonstrated that monocular event-only odometry can achieve strong performance by combining sparse patch tracking, learned patch selection, recurrent correspondence refinement, and differentiable bundle adjustment. In this project, we extend DEVO with a sparse point-cloud export pipeline. Rather than modifying the core odometry formulation, our approach exposes the internal 3D structure already estimated by DEVO and converts it into an explicit point-cloud representation for visualization and further processing. In addition, we implement a practical workflow for data export, format conversion, and point-cloud cleanup. The resulting system preserves the original visual odometry pipeline while enabling sparse geometric scene output. Experiments on the BOARD SLOW sequence show that the exported sparse cloud is locally consistent with EMVS reconstructions, achieving high precision at a 5 cm threshold, while also highlighting the expected limitations in density, completeness, and sensitivity to accumulated odometry noise.
• Abstract（参考訳）: イベントカメラは、低レイテンシ、高時間分解能、高ダイナミックレンジのため、高速動作下での視覚的オドメトリーと、照明条件の挑戦に適している。 Deep Event Visual Odometry (DEVO) は、スパースパッチ追跡、学習されたパッチ選択、繰り返し対応改善、および微分可能なバンドル調整を組み合わせることで、単眼のイベントオンリーのオドメトリーが強力な性能を達成することを示した。 本プロジェクトでは,Defoをスパースポイントクラウドエクスポートパイプラインで拡張する。 コアオドメトリーの定式化を改良するのではなく,DEVOによって推定された内部3次元構造を公開し,可視化とさらなる処理のための明示的なポイントクラウド表現に変換する。 さらに、データエクスポート、フォーマット変換、ポイントクラウドクリーンアップのための実用的なワークフローを実装します。 結果として得られるシステムは、粗い幾何学的シーン出力を可能にしながら、元の視覚計測パイプラインを保存する。 BOARD SLOWシークエンスの実験では、輸出されたスパース雲はEMVSの再構成と局所的に一致しており、5cmの閾値で高精度に達成されている。

関連論文リスト

• Pi-GS: Sparse-View Gaussian Splatting with Dense π^3 Initialization [5.5775900281150514]
  本稿では,基準自由点雲推定ネットワーク3を用いたロバストな手法を提案する。 我々は、不確実性誘導深度監視、正規整合損失、および深度ゆらぎを用いる。 提案手法は,タンク・アンド・テンプル,LLFF,DTU,MipNeRF360データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-03T09:55:03Z)
• RaCFormer: Towards High-Quality 3D Object Detection via Query-based Radar-Camera Fusion [58.77329237533034]
  本稿では3次元物体検出の精度を高めるために,Raar-Camera fusion transformer (RaCFormer)を提案する。 RaCFormerは、nuScenesデータセット上で64.9% mAPと70.2%の優れた結果を得る。
  論文  参考訳（メタデータ） (2024-12-17T09:47:48Z)
• ESVO2: Direct Visual-Inertial Odometry with Stereo Event Cameras [41.992980062962495]
  イベントベースビジュアル・オドメトリーは、追跡とサブプロブレムのマッピング(典型的には並列)を解決することを目的としている 直接パイプライン上に,イベントベースのステレオビジュアル慣性オドメトリーシステムを構築した。 結果として得られるシステムは、現代の高解像度のイベントカメラでうまくスケールする。
  論文  参考訳（メタデータ） (2024-10-12T05:35:27Z)
• IMU-Aided Event-based Stereo Visual Odometry [7.280676899773076]
  我々は、精度と効率の点で、以前のダイレクトパイプラインの textitEvent ベースの Stereo Visual Odometry を改善しました。 マッピング操作を高速化するために,イベントの局所的ダイナミクスに応じたエッジピクセルサンプリングの効率的な戦略を提案する。 この分野での今後の研究のためのオープンソースソフトウェアとして、パイプラインをリリースします。
  論文  参考訳（メタデータ） (2024-05-07T07:19:25Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• Aligning Bird-Eye View Representation of Point Cloud Sequences using Scene Flow [0.0]
  低解像度の点雲は、その空間性のため、物体検出法では困難である。 本研究では,単一フレーム検出器がシーンフローを計算してBird-Eye View表現を修正できるプラグインモジュールを開発した。
  論文  参考訳（メタデータ） (2023-05-04T15:16:21Z)
• DEVO: Depth-Event Camera Visual Odometry in Challenging Conditions [30.892930944644853]
  本稿では,深度・高解像度イベントカメラのステレオ設定のための新しいリアルタイムビジュアル・オドメトリー・フレームワークを提案する。 本フレームワークは, 計算効率に対する精度と堅牢性を, 挑戦シナリオにおける高い性能にバランスさせる。
  論文  参考訳（メタデータ） (2022-02-05T13:46:47Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)

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。