論文の概要: SG2Loc: Sequential Visual Localization on 3D Scene Graphs

• arxiv url: http://arxiv.org/abs/2606.11880v1
• Date: Wed, 10 Jun 2026 10:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.403056
• Title: SG2Loc: Sequential Visual Localization on 3D Scene Graphs
• Title（参考訳）: SG2Loc: 3次元シーングラフにおける連続的な視覚的位置決め
• Authors: Nicole Damblon, Olga Vysotska, Federico Tombari, Marc Pollefeys, Daniel Barath,
• Abstract要約: 本稿では,3次元シーングラフを用いたシーケンシャルな視覚的ローカライゼーションのための,新しい軽量なアプローチを提案する。 コンパクトなシーングラフと効率的なセマンティックマッチングを活用することで,実世界のデータセットの性能を維持しながら,ストレージを大幅に削減する。
• 参考スコア（独自算出の注目度）: 108.42363585468458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual localization in complex indoor environments remains a critical challenge for robotics and AR applications. Sequential localization, where pose estimates are refined over time, is important for autonomous agents. However, traditional methods often require storing extensive image databases or point clouds, leading to significant overhead. This paper introduces a novel, lightweight approach to sequential visual localization using 3D scene graphs. Our method represents the environment with a compact scene graph, where nodes represent objects (with coarse meshes) and edges encode spatial relationships. For each image in the localization phase, we extract per-patch semantic features, predicting object identities. Localization is performed within a particle filter framework. Each particle, representing a camera pose, projects the coarse object meshes from the scene graph into the image, assigning object identities to patches based on visibility. The similarity of the per-patch features, in the input image, and object features from the scene graph determines the weight of a particle. Subsequent images are incorporated sequentially, refining the pose estimate. By leveraging a compact scene graph and efficient semantic matching, our method significantly reduces storage while maintaining performance on real-world datasets. The code will be available at https://github.com/DmblnNicole/sg2loc.
• Abstract（参考訳）: 複雑な屋内環境における視覚的ローカライゼーションは、ロボティクスやARアプリケーションにとって重要な課題である。 ポーズ推定が時間とともに洗練される連続的なローカライゼーションは、自律エージェントにとって重要である。 しかしながら、従来の手法では、大規模なイメージデータベースやポイントクラウドを格納する必要があることが多いため、大きなオーバーヘッドが生じる。 本稿では,3次元シーングラフを用いたシーケンシャルな視覚的ローカライゼーションのための,新しい軽量なアプローチを提案する。 提案手法は,ノードがオブジェクト(粗いメッシュ)を表現し,エッジが空間関係を符号化する,コンパクトなシーングラフを用いて環境を表現する。 ローカライゼーションフェーズの各画像に対して、オブジェクトの同一性を予測するパッチごとのセマンティック特徴を抽出する。 局所化は粒子フィルタフレームワーク内で実行される。 カメラのポーズを表す各粒子は、シーングラフから粗いオブジェクトメッシュをイメージに投影し、可視性に基づいてオブジェクトのアイデンティティをパッチに割り当てる。 シーングラフからのオブジェクト特徴と入力画像におけるパッチごとの特徴の類似性は、粒子の重量を決定する。 その後の画像を順次組み込んで、ポーズ推定を精算する。 コンパクトなシーングラフと効率的なセマンティックマッチングを活用することで,実世界のデータセットの性能を維持しながら,ストレージを大幅に削減する。 コードはhttps://github.com/DmblnNicole/sg2loc.comから入手できる。

関連論文リスト

• Gaussian Splatting Feature Fields for Privacy-Preserving Visual Localization [30.56844309008454]
  本稿では,3DGSモデルと暗黙的特徴場を組み合わせた視覚的ローカライゼーションのためのシーン表現を提案する。 表現学習を正規化し,特徴をセグメンテーションにシームレスに変換するために,3次元構造インフォームドクラスタリング手法を用いる。 複数の実世界のデータセットで評価された結果として生じるプライバシと非プライバシ保存のローカライゼーションパイプラインは、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-07-31T13:58:15Z)
• Self-supervised Learning of Neural Implicit Feature Fields for Camera Pose Refinement [32.335953514942474]
  本稿では,3次元の高密度特徴場と2次元の特徴抽出器を併用してシーン表現を共同学習することを提案する。 暗黙の場に符号化された中間的幾何情報を活用するために、ボリュームレンダリングを通してシーンの基盤となる幾何学を学習し、特徴体を設計する。 次に、画像ベースの機能とレンダリングされたボリューム機能を調整することで、視覚的なローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2024-06-12T17:51:53Z)
• SceneGraphLoc: Cross-Modal Coarse Visual Localization on 3D Scene Graphs [81.2396059480232]
  SceneGraphLocはシーングラフ内の各ノード(つまりオブジェクトインスタンスを表す)に対する固定サイズの埋め込みを学習する。 画像を利用する場合、SceneGraphLocは、大規模な画像データベースに依存する最先端技術に近いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-30T20:25:16Z)
• MeshLoc: Mesh-Based Visual Localization [54.731309449883284]
  シーン表現を構築するために,データベースイメージ間のマッチング機能を必要としない,高密度な3Dメッシュに基づく,より柔軟な代替手段を模索する。 驚くべきことに、ニューラルネットワークのレンダリングステージなしで、これらのメッシュのレンダリングの特徴を抽出するときに、競合的な結果が得られる。 以上の結果から,高密度な3次元モデルに基づく表現は,既存の表現の代替として有望なものであり,今後の研究にとって興味深い,挑戦的な方向性を示すものと考えられる。
  論文  参考訳（メタデータ） (2022-07-21T21:21:10Z)

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。