論文の概要: PRISM-VO: Scale-Aware Visual Odometry Using Photometric Plenoptic Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2607.00176v1
• Date: Tue, 30 Jun 2026 20:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.638522
• Title: PRISM-VO: Scale-Aware Visual Odometry Using Photometric Plenoptic Bundle Adjustment
• Title（参考訳）: PRISM-VO:光学的光束調整を用いたスケール認識型視覚オドメトリー
• Abstract要約: PRISM-VOは、焦点焦点光学カメラのための純最適化に基づくスパース光度計測フレームワークである。 PRISM-VOは、一眼レフ画像からの幾何学的深さと時間的多視点制約を組み合わせることにより、正確でドリフト耐性のある動き推定を実現する。 実験により、PRISM-VOは、屋内および屋外のシーンにおいて、現在最先端のピレノスコープ・オドメトリー法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 44.646679985691286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce PRISM-VO, a novel pure optimization-based sparse photometric visual odometry framework for focused plenoptic cameras. The core of PRISM-VO is a novel photometric plenoptic bundle adjustment which jointly optimizes camera poses and inverse depth values of points in a sliding window. By combining geometric depth from a single plenoptic image with temporal multi-view constraints, PRISM-VO achieves accurate and drift-resilient motion estimation. Through explicit modeling of the plenoptic projection, PRISM-VO provides reliable metric-scale reconstructions, overcoming the scale ambiguity of monocular SLAM algorithms. Importantly, our approach relies solely on a single plenoptic sensor and avoids complex initialization, as depth priors are computed directly from plenoptic imaging. Experiments show that PRISM-VO outperforms the current state-of-the-art plenoptic visual odometry method on indoor and outdoor scenes. The proposed approach rivals other optimization- and learning-based methods while accurately and reliably recovering a metric scale of the scene. Project page: https://prism-vo.github.io/
• Abstract（参考訳）: PRISM-VO(PRISM-VO)を導入した。 PRISM-VOのコアは、カメラポーズとスライディングウィンドウ内の点の逆深さ値を共同で最適化する、新しい測光レンズ束調整である。 PRISM-VOは、一眼レフ画像からの幾何学的深さと時間的多視点制約を組み合わせることにより、正確でドリフト耐性のある動き推定を実現する。 PRISM-VOは、レンズプロジェクションの明示的なモデリングを通じて、モノクラーSLAMアルゴリズムのスケールのあいまいさを克服し、信頼性の高い計量スケールの再構成を提供する。 重要なこととして,本手法は単光ファイバーセンサにのみ依存し,深度優先の計算を直接行うため,複雑な初期化を回避している。 実験により、PRISM-VOは、屋内および屋外のシーンにおいて、現在最先端のピレノスコープ・オドメトリー法よりも優れていることが示された。 提案手法は,他の最適化手法や学習手法と競合し,シーンのメートル法スケールを正確かつ確実に復元する。 プロジェクトページ: https://prism-vo.github.io/

関連論文リスト

• Visual Odometry with Transformers [68.453547770334]
  特徴抽出により単眼フレームのシーケンスを処理するビジュアル・オドメトリ・トランスフォーマ(VoT)を導入する。 従来の方法とは異なり、VoTは密度の高い幾何学を推定することなくカメラの動きを直接予測し、監視のためにカメラのポーズのみに依存する。 VoTは、より大きなデータセットで効果的にスケールし、より強力なトレーニング済みバックボーンの恩恵を受け、多様なカメラモーションとキャリブレーション設定を一般化し、従来のメソッドよりも3倍以上高速に動作しながらパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2025-10-02T17:00:14Z)
• FlowMap: High-Quality Camera Poses, Intrinsics, and Depth via Gradient Descent [19.977807508281835]
  FlowMapは、正確なカメラポーズ、カメラ内在、およびビデオシーケンスのフレーム毎の密度の深さを解決する、エンドツーエンドの微分可能な方法である。 提案手法は,最小2乗の目的をビデオごとの勾配差最小化する。 提案手法によって得られたカメラパラメータと密度深度は,360度軌道上での光リアルな新規ビュー合成を可能にすることを実証的に示す。
  論文  参考訳（メタデータ） (2024-04-23T17:46:50Z)
• Self-supervised Monocular Depth Estimation on Water Scenes via Specular Reflection Prior [3.2120448116996103]
  本論文は,フレーム内事前情報を用いた深層学習深度推定のための最初のセルフスーパービジョンを提案する。 第1段階では、反射成分と全体像とを分離する分水ネットワークが実行される。 SmoothL1と新しい光度適応型SSIMを組み合わせた光度再投影誤差を定式化し、ポーズと深さの推定を最適化する。
  論文  参考訳（メタデータ） (2024-04-10T17:25:42Z)
• Fine Dense Alignment of Image Bursts through Camera Pose and Depth Estimation [45.11207941777178]
  本稿では,ハンドヘルドカメラが捉えたバースト内の画像の微細なアライメントに対する新しいアプローチを提案する。 提案アルゴリズムは、各画素におけるカメラの動きと表面の深さと向きの両方を最適化することにより、密度の高い対応性を確立する。
  論文  参考訳（メタデータ） (2023-12-08T17:22:04Z)
• OSPC: Online Sequential Photometric Calibration [0.0]
  測光キャリブレーションは多くのコンピュータビジョンアプリケーションに必須である。 逐次推定手法を用いて,測光パラメータの解法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T09:44:58Z)
• Optimization-Based Eye Tracking using Deflectometric Information [14.010352335803873]
  最先端の視線追跡法は、スパース点光源の反射や、取得した視線画像の2D特徴を画像ベースで活用する。 我々はPyTorch3Dに基づいて、画面照明下で仮想視線をシミュレートする微分可能なパイプラインを開発する。 一般的に,本手法は特定のパターンレンダリングを必要としないため,メインのVR/AR/MR画面自体の通常のビデオフレームで動作する。
  論文  参考訳（メタデータ） (2023-03-09T02:41:13Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• Single Image Brightening via Multi-Scale Exposure Fusion with Hybrid Learning [48.890709236564945]
  小さいISOと小さな露光時間は、通常、背面または低い光条件下で画像をキャプチャするために使用される。 本稿では、そのような画像を明るくするために、単一の画像輝度化アルゴリズムを提案する。 提案アルゴリズムは,露出時間が大きい2つの仮想画像を生成するための,ユニークなハイブリッド学習フレームワークを含む。
  論文  参考訳（メタデータ） (2020-07-04T08:23:07Z)
• D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry [57.5549733585324]
  D3VOは、深度、ポーズ、不確実性推定という3つのレベルでディープネットワークを利用する、単眼の視覚計測のための新しいフレームワークである。 まず,ステレオビデオを用いた自己監督型単眼深度推定ネットワークを提案する。 入力画像上の画素の光度不確かさをモデル化し、深度推定精度を向上させる。
  論文  参考訳（メタデータ） (2020-03-02T17:47:13Z)

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。