論文の概要: PedestrianDiffusion: Multimodal Generative Denoising and Dense State Estimation for Inertial Navigation

• arxiv url: http://arxiv.org/abs/2607.03349v1
• Date: Fri, 03 Jul 2026 14:04:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.59644
• Title: PedestrianDiffusion: Multimodal Generative Denoising and Dense State Estimation for Inertial Navigation
• Title（参考訳）: Pedestrian Diffusion:慣性ナビゲーションのためのマルチモーダル生成復調と高密度状態推定
• Abstract要約: ペデストリアン拡散(PedestrianDiffusion)は、密度の高い6次元状態推定を連続的な条件付き偏微分過程として再構成する生成フレームワークである。 最先端の性能を達成し、衝動の摂動と6Dキネマティックドリフトの結合に対する前例のない頑丈さを示す。 この研究は、次世代ニューラル慣性測定ユニット(N-IMU)のための厳密なアルゴリズム的青写真を提供する。
• 参考スコア（独自算出の注目度）: 1.8620637029128544
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The accuracy of consumer-grade inertial navigation is bottlenecked by the stochastic noise of Micro-Electro-Mechanical Systems (MEMS). Traditional deterministic neural architectures often succumb to ``estimation jittering,'' sacrificing high-frequency kinematic fidelity for numerical stability. We propose PedestrianDiffusion, a multimodal spectral-domain generative framework reformulating dense 6D state estimation as a continuous conditional denoising process. By operating in the frequency domain, our formulation bounds the spectral covariance, acting as a mathematical preconditioner to stabilize the reverse diffusion trajectory. Furthermore, we introduce a zero-shot semantic conditioning mechanism leveraging vision-language embeddings as categorical priors to generalize across heterogeneous sensor noise profiles. To address the computational intractability of generative tracking, we deploy a single-step deterministic probability flow ODE solver ($T=1$). This yields high-capacity asynchronous batch trajectory refinement, establishing the viability of generative architectures for asynchronous batch trajectory refinement on edge hardware. Extensive evaluations on the OxIOD, RIDI, RoNIN, and TLIO benchmarks demonstrate that PedestrianDiffusion achieves state-of-the-art performance, exhibiting unprecedented robustness to impulse perturbations and coupled 6D kinematic drift. This work provides a rigorous algorithmic blueprint for next-generation Neural Inertial Measurement Units (N-IMUs).
• Abstract（参考訳）: マイクロ・エレクトロ・メカニカル・システム (MEMS) の確率ノイズにより, コンシューマグレードの慣性ナビゲーションの精度がボトルネックとなる。 従来の決定論的ニューラルネットワークは、数値安定性のために高周波キネマティックな忠実さを犠牲にする「推定ジッタリング」と呼ばれることが多い。 PedestrianDiffusionは,高密度な6次元状態推定を連続的条件記述法として再構成したマルチモーダルスペクトル領域生成フレームワークである。 周波数領域を演算することにより、我々の定式化はスペクトル共分散を境界とし、逆拡散軌道を安定化させる数学的プレコンディショナーとして機能する。 さらに,視覚言語埋め込みをカテゴリー先行として活用したゼロショットセマンティックコンディショニング機構を導入し,不均一なセンサノイズプロファイルを一般化する。 生成的追跡の計算的難易度に対処するため、単段階決定論的確率フローODEソルバ(T=1$)をデプロイする。 これにより、高容量の非同期バッチトラジェクトリ改善が実現され、エッジハードウェア上での非同期バッチトラジェクトリ改善のための生成アーキテクチャの実現性が確立される。 OxIOD, RIDI, RoNIN, TLIOベンチマークの広範囲な評価により, PedestrianDiffusionが最先端の性能を達成し, インパルス摂動に対する前例のないロバスト性を示し, 6Dキネマティックドリフトを結合した。 この研究は、次世代ニューラル慣性測定ユニット(N-IMU)のための厳密なアルゴリズム的青写真を提供する。

関連論文リスト

• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion [4.293965179144764]
  フルウェーブフォーム・インバージョン(FWI)は、高度に不規則な2次PDE速度最適化を解くことで、記録から地下の速度を回復する。 最近の拡散優先法は、標準定式化と事前整合性の間の脆弱なトレードオフを犠牲にして現実性を改善する。 そこで本稿では,潜時費用目標を補助的物理変数と潜時変数に対する潜時費用目標に緩和するDe Latent Optimization (DLO)を提案する。 OpenFWIベンチマークでは、DLOは古典的正規化器や既存の拡散ベースのメソッドよりもクリーンでノイズがあり、トラスが不足している。
  論文  参考訳（メタデータ） (2026-06-12T05:55:10Z)
• Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution [22.963799508399365]
  最近の単一段階蒸留は推論を加速するが、認識歪んだトレードオフに直面している。 実時間ISR(IDaS-SR)の適応的インバージョンと劣化認識サンプリングを提案する。 IDaS-SRは決定論的復元と生成のボトルネックを埋める一段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-27T07:43:00Z)
• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
  拡散モデルは分子設計のための強力な生成モデルとして登場した。 彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。 直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
  論文  参考訳（メタデータ） (2026-01-13T20:09:44Z)
• Self-induced stochastic resonance: A physics-informed machine learning approach [0.0]
  自己誘発共鳴(英: Self-induced resonance, SISR)は、ノイズのみによって駆動される励起系におけるコヒーレント振動の出現である。 本研究は、フィッツヒューニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:49:20Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Bit-Level Discrete Diffusion with Markov Probabilistic Models: An Improved Framework with Sharp Convergence Bounds under Minimal Assumptions [14.04623086233189]
  本稿では離散データ生成のための離散マルコフ確率モデル(DMPM)を紹介する。 DMPMは離散ビット空間で動作し、ノイズ発生過程はランダムにラベルを反転させる連続時間マルコフ連鎖である。 この研究は理論の基礎と実践的応用を橋渡しし、効果的で理論的に基礎付けられた離散生成モデルの開発を進めた。
  論文  参考訳（メタデータ） (2025-02-11T20:36:23Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Losing momentum in continuous-time stochastic optimisation [42.617042045455506]
  運動量に基づく最適化アルゴリズムは 特に広まりました 本研究では、運動量を伴う勾配降下の連続時間モデルを解析する。 また、画像分類問題において畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-09-08T10:46:05Z)

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。