論文の概要: RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration

• arxiv url: http://arxiv.org/abs/2606.30492v1
• Date: Mon, 29 Jun 2026 15:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.322974
• Title: RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration
• Title（参考訳）: RBE-Flow: クロスモーダル登録のための特徴多様体の繰り返しベイズ推定
• Abstract要約: 画素間画像の登録は、重度の非線形ラジオメトリックと不確実性のために困難である。 本稿では,高密度モーダルフロー推定を再構成する新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 14.194086645453767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-modal image registration is essential for multi-sensor perception but remains fundamentally challenging due to severe non-linear radiometric discrepancies and geometric distortions. Existing deterministic matching methods lack uncertainty awareness, struggling to navigate the resulting highly non-convex optimization landscape and frequently accumulating errors in ambiguous regions. In this paper, we propose RBE-Flow, a novel framework that reformulates dense cross-modal flow estimation as a closed-loop recurrent Bayesian estimation problem on learned feature manifolds. Diverging from standard feed-forward regression, RBE-Flow establishes a robust self-correcting mechanism by deeply coupling feature-metric non-linear optimization with probabilistic state updates. Specifically, a Recurrent Manifold Optimization (RMO) block iteratively generates flow observations and their associated uncertainties, which are then optimally assimilated into the prior state via an Uncertainty-Adaptive Probabilistic Update (UAPU) using deterministic sigma-point projection. Crucially, the resulting calibrated posterior covariance is fed back to adaptively regularize the damping of subsequent optimization steps, allowing the system to modulate its convergence based on predictive confidence. To ensure stable probabilistic training, we introduce a hybrid supervision scheme featuring a geometry-aware rectified NLL loss that structurally prevents variance collapse. Extensive experiments on challenging OSdataset, WHU-OPT-SAR, and RoadScene benchmarks demonstrate that RBE-Flow consistently achieves state-of-the-art performance, outperforming existing methods by a significant margin, particularly under strict sub-pixel criteria. Project page: https://github.com/NEU-Liuxuecong/RBE-Flow
• Abstract（参考訳）: クロスモーダル画像の登録は、マルチセンサーの知覚には不可欠であるが、厳密な非線形ラジオメトリックの差と幾何歪みのために、基本的には困難である。 既存の決定論的マッチング手法は、不確実な認識を欠き、結果として生じる非凸な最適化の展望をナビゲートするのに苦労し、曖昧な領域で頻繁にエラーを蓄積する。 本稿では,学習特徴多様体上での閉ループ繰り返しベイズ推定問題として,密閉モードフロー推定を再構成する新しいフレームワーク RBE-Flow を提案する。 RBE-Flowは、標準フィードフォワード回帰から切り離され、確率的状態更新と機能メトリック非線形最適化を深く結合することにより、堅牢な自己修正メカニズムを確立する。 具体的には、リカレントマニフォールド最適化(RMO)ブロックがフロー観測とその関連する不確かさを反復的に生成し、決定論的シグマ点投影を用いて不確実性適応確率更新(UAPU)を介して前状態に最適な同化を行う。 重要なことに、得られた調整後共分散は、その後の最適化ステップの減衰を適応的に調整するためにフィードバックされ、システムは予測的信頼度に基づいて収束を変調する。 安定な確率的トレーニングを確保するため,構造的に分散崩壊を防止できる幾何補正NLL損失を特徴とするハイブリッド監視手法を提案する。 OSdataset、WHU-OPT-SAR、RoadSceneのベンチマークに対する大規模な実験は、RDE-Flowが一貫して最先端のパフォーマンスを達成し、特に厳格なサブピクセル基準の下では、既存のメソッドよりも大幅に優れていることを示した。 プロジェクトページ:https://github.com/NEU-Liuxuecong/RBE-Flow

関連論文リスト

• Koopman-Based Robust Model Predictive Control for Nonlinear Systems with Stochastic Intermittent Measurements [11.153670606528545]
  間欠状態測定は、制約付き非線形システムの予測制御をモデル化するための根本的な課題を提起する。 本稿では,確率的に歪んだソフト制約を持つクープマンベースのMPCフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-09-02T04:08:49Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
  屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。 非視界条件下では測定信頼性が著しく低下する。 慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
  論文  参考訳（メタデータ） (2026-03-06T03:12:52Z)
• Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
  Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。 現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T23:44:45Z)
• Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
  ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。 結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
  論文  参考訳（メタデータ） (2026-01-29T15:58:01Z)
• Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks [0.0]
  スパース変分ガウス過程を用いた不確実性を考慮したフロー再構成のための機械学習フレームワークを提案する。 パルス衝突噴流からの合成データを用いて,0.5%から10%のPIVサンプリング速度での性能を評価する。 SVGP-KAN法は,確立された手法に匹敵する再現精度を実現するとともに,精度の高い不確実性推定も提供する。
  論文  参考訳（メタデータ） (2025-12-27T01:16:13Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
  RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-02T14:06:29Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。