論文の概要: VOCA: Visual Odometry with Codec Awareness

• arxiv url: http://arxiv.org/abs/2607.00189v1
• Date: Tue, 30 Jun 2026 21:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.641644
• Title: VOCA: Visual Odometry with Codec Awareness
• Title（参考訳）: VOCA: Codec Awareness を用いたビジュアルオドメトリー
• Abstract要約: 本稿では,情報を利用してトラッキング性能を向上させる因果ステレオ・ビジュアル・オドメトリー法を提案する。 圧縮ストリーム上での相対軌道誤差, 効率, 絶対軌道誤差に対して, 因果VOの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 39.82800454417815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera pose estimation from image streams is a critical component of spatial world models that integrate perception into planning and decision-making. Nearly all Visual Odometry (VO) and Simultaneous Localization and Mapping (V-SLAM) systems have focused on datasets containing raw, uncompressed videos. Many working systems instead use ubiquitous hardware units to efficiently compress and decode video streams, saving orders of magnitude in storage and bandwidth. However, this lossy compression introduces visual artifacts that hinder the performance of traditional tracking systems. We present VOCA, a causal stereo visual-odometry method that exploits codec information to improve tracking performance. We achieve state-of-the-art performance on causal VO for relative trajectory error, efficiency, and absolute trajectory error on compressed streams. This work highlights the potential of leveraging widely available video codec information for vision tasks.
• Abstract（参考訳）: 画像ストリームからのカメラポーズ推定は、知覚を計画と意思決定に統合する空間世界モデルの重要な構成要素である。 ほぼすべてのビジュアルオドメトリ(VO)と同時局在マッピング(V-SLAM)システムは、生の非圧縮ビデオを含むデータセットに焦点を当てている。 代わりに、多くの作業システムは、ユビキタスハードウェアユニットを使用して、ビデオストリームを効率よく圧縮し、デコードし、ストレージと帯域幅の桁数を節約している。 しかし、この失われた圧縮は、従来のトラッキングシステムの性能を阻害する視覚的アーティファクトをもたらす。 本稿では,コーデック情報を利用してトラッキング性能を向上させる因果ステレオ・ビジュアル・オドメトリー法VOCAを提案する。 圧縮ストリーム上での相対軌道誤差, 効率, 絶対軌道誤差に対して, 因果VOの最先端性能を実現する。 この研究は、広く利用可能なビデオコーデック情報を視覚タスクに活用する可能性を強調している。

関連論文リスト

• Learned Image Compression for Vision-Language-Action Models [12.831597450089433]
  VLA(Vision-Constrained-action)モデルは、高周波マルチカメラの観測にますます依存している。 既存の画像コーデックとビデオコーデックは、下流VLAポリシーの制御性能よりも、一般的な視覚的忠実性を維持するように設計されている。 VLA駆動ロボットに適した学習画像圧縮フレームワーク(SPatially Adaptive Rate Control)を導入する。
  論文  参考訳（メタデータ） (2026-06-15T05:55:58Z)
• Efficient Inference for Large Vision-Language Models: Bottlenecks, Techniques, and Prospects [26.144665202231014]
  LVLM(Large Vision-Language Models)は、画像やビデオに対する洗練された推論を可能にするが、その推論は視覚トークン支配として知られるシステム的効率障壁によって妨げられる。 提案手法は,符号化,プリフィル,デコードからなる推論ライフサイクルを中心に構築された効率技術に関する系統分類である。
  論文  参考訳（メタデータ） (2026-04-07T07:44:11Z)
• SCENE: Semantic-aware Codec Enhancement with Neural Embeddings [9.6489283335586]
  本稿では,知覚の忠実度を高める意味認識型事前処理フレームワークを提案する。 本手法は,視覚言語モデルからのセマンティック埋め込みを効率的な畳み込みアーキテクチャに統合する。 この結果から, セマンティック・アウェア・プレプロセッサは, 圧縮ビデオストリームの強化に有効な手法であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-29T05:41:28Z)
• Plug-and-Play Versatile Compressed Video Enhancement [57.62582951699999]
  ビデオ圧縮はファイルのサイズを効果的に削減し、リアルタイムのクラウドコンピューティングを可能にする。 しかし、それは視覚的品質の犠牲となり、下流の視覚モデルの堅牢性に挑戦する。 本稿では,異なる圧縮条件下で動画を適応的に拡張する多言語対応拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T18:39:31Z)
• Embedding Compression Distortion in Video Coding for Machines [67.97469042910855]
  現在、ビデオ伝送は人間の視覚システム(HVS)だけでなく、分析のための機械認識にも役立っている。 本稿では,機械知覚関連歪み表現を抽出し,下流モデルに埋め込む圧縮歪埋め込み(CDRE)フレームワークを提案する。 我々のフレームワークは,実行時間,パラメータ数といったオーバーヘッドを最小限に抑えて,既存のコーデックのレートタスク性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2025-03-27T13:01:53Z)
• MouSi: Poly-Visual-Expert Vision-Language Models [132.58949014605477]
  本稿では,個々の視覚エンコーダの能力の相乗化にアンサンブルエキスパート技術を用いることを提案する。 この技術は、異なる視覚専門家の出力の処理を統一する融合ネットワークを導入する。 本実装では,SAMなどのモデルにおける位置占有率を,実質的な4096からより効率的で管理可能な64,さらには1。
  論文  参考訳（メタデータ） (2024-01-30T18:09:11Z)
• VNVC: A Versatile Neural Video Coding Framework for Efficient Human-Machine Vision [59.632286735304156]
  コード化された表現をピクセルに復号することなく直接拡張・解析することがより効率的である。 再構成と直接拡張/分析の両方をサポートするために,コンパクト表現の学習を目標とする汎用型ニューラルビデオ符号化(VNVC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T03:04:57Z)
• Exploring Long- and Short-Range Temporal Information for Learned Video Compression [54.91301930491466]
  圧縮性能を高めるために,映像コンテンツの特徴を活かし,時間的情報を探究することに注力する。 本稿では,画像群(GOP)内で画像の推測中に連続的に更新できる時間前処理を提案する。 この場合、時間的事前は、現在のGOP内のすべてのデコードされた画像の貴重な時間的情報を含む。 本稿では,マルチスケール補償を実現する階層構造を設計する。
  論文  参考訳（メタデータ） (2022-08-07T15:57:18Z)
• Off-policy Imitation Learning from Visual Inputs [83.22342811160114]
  本稿では、政治以外の学習方法、データ拡張、エンコーダ技術からなるOPIfVIを提案する。 OPIfVIは、エキスパートレベルのパフォーマンスを実現し、既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-11-08T09:06:12Z)

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。