論文の概要: Geometry-Aware Visual Odometry for Bronchoscopic Navigation via High-Gain Observer Fusion
- arxiv url: http://arxiv.org/abs/2607.05162v1
- Date: Mon, 06 Jul 2026 14:46:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.195065
- Title: Geometry-Aware Visual Odometry for Bronchoscopic Navigation via High-Gain Observer Fusion
- Title（参考訳）: 高ゲインオブザーバ・フュージョンによる気管支鏡視下ナビゲーションのための幾何学的視覚計測
- Abstract要約: 視覚のみのナビゲーションは、従来のビジュアルオドメトリーに代わるスケーラブルな代替手段を提供する。
気道ルーメンの消滅点キューを明示的に活用する幾何対応VOフレームワークを提案する。
本手法は, 電磁的追跡地上真実を用いて, 人工呼吸器によるヒト肺の診断方法を検証するものである。
- 参考スコア（独自算出の注目度）: 13.267244611023324
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Navigational bronchoscopy is critical for pulmonary interventions, yet current platforms depend heavily on pre-operative CT or external sensors, limiting their use in critical care and resource-constrained settings. Vision-only navigation offers a scalable alternative, but conventional visual odometry (VO) struggles with texture-poor airway images, specularities, and the vanishing-point singularities of tubular anatomy, leading to frequent tracking failures and drift. We present a geometry-aware VO framework that explicitly leverages vanishing-point cues from airway lumens. Detected lumens are back-projected to 3D rays, whose weighted fusion yields a stable forward heading even when parallax cues are absent. This heading, together with looming-based velocity estimates, is fused with noisy VO outputs using a bespoke high-gain observer that enforces airway-following priors and rejects drift. We validate the method on ex-vivo mechanically ventilated human lungs with electromagnetic tracking ground truth. Compared to state-of-the-art pipelines (ORB-SLAM2, LoFTR-VO, DPVO), our approach reduces absolute trajectory error by more than 50% and achieves the lowest relative pose error across all test sequences.
- Abstract（参考訳）: 外科的気管支鏡検査は肺の介入に重要であるが、現在のプラットフォームは術前のCTまたは外部センサーに大きく依存しており、クリティカルケアやリソース制限された設定での使用を制限している。
視覚のみのナビゲーションは、スケーラブルな代替手段を提供するが、従来のビジュアル・オドメトリー(VO)は、テクスチャ・ポーア・エアウェイのイメージ、特異点、管状解剖の消滅点特異点に苦しむため、頻繁に故障や漂流が追跡される。
気道ルーメンの消滅点キューを明示的に活用する幾何対応VOフレームワークを提案する。
検出されたルーメンは3D線に逆投影され、重み付けされた融合はパララックスキューが欠如している場合でも安定な前方方向に進行する。
この方向は、略奪に基づく速度推定とともに、気道を追従し漂流を拒否する高利得観測器を用いて、ノイズの多いVO出力と融合する。
本手法は, 電磁的追跡地上真実を用いて, 人工呼吸器によるヒト肺の機械的換気方法を検証するものである。
最先端パイプライン (ORB-SLAM2, LoFTR-VO, DPVO) と比較して, 本手法は絶対軌道誤差を50%以上低減し, テストシーケンス全体で最も低い相対的ポーズ誤差を実現する。
関連論文リスト
- Freezing of Gait Prediction Under Spatial Occlusion: An IMU-Supervised Cross-Modal Distillation Approach [0.0]
パーキンソン病(英: Parkinson disease)は、運動制御の段階的な低下を特徴とする進行性神経変性疾患である。
自動フリーズ・オブ・ゲイト(FOG)検出は歩行関連運動障害の客観的評価を支援する。
FOG予測には, (i) 患者の動作の映像記録を分析し, (ii) 下肢に装着した慣性計測装置(IMU) ウェアラブルセンサを用いて収集したデータを解析する。
ビデオベースのアプローチは、下肢が相当な幾何学的自己閉塞を受けており、ポーズ推定の精度が低下するため、連続的なターン・イン・プレイス・タスク中に検出エラーを被る可能性がある。
論文 参考訳（メタデータ） (2026-09-09T07:29:13Z) - LightAIR: Lightweight Action Inversion and Riemannian Rectification for Text-based Person Anomaly Search [47.5045602470916]
本稿では,人物異常検索のための軽量な動作反転補正ネットワーク(LightAIR)を提案する。
広く使用されているTPASとTIPRデータセットの実験では、LightAIRが既存の最先端メソッドを大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2026-08-10T05:59:07Z) - Partial Skeleton Visibility for Action Recognition: A Constrained Field-of-View Approach [60.596944437968524]
partialVisGraphは、制約されたフィールド・オブ・ビューの下で、堅牢なスケルトンベースのアクション認識のための新しいフレームワークである。
部分的な可視性の下では、最先端の精度を一貫して達成し、厳しいFoV制限のあるサブセットでは68.8%まで上昇する。
提案手法は,非拘束環境下でのスケルトンに基づく行動理解を実現するための,原則的かつ実践的な経路を提供する。
論文 参考訳（メタデータ） (2026-07-01T10:03:11Z) - CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors [8.090575303185078]
本稿では,視覚慣性配列(VIR)融合ローカライゼーションのための連続時間状態推定法を提案する。
イントロダクタ、ビジュアル、およびレンジリング制約は、スライドウインドウグラフの因子として定式化される。
パブリックデータセットと実世界の実験による評価は,提案手法の有効性と実用性を示すものである。
論文 参考訳（メタデータ） (2026-04-16T02:23:57Z) - ASBA: A-line State Space Model and B-line Attention for Sparse Optical Doppler Tomography Reconstruction [52.60553814186938]
横軸(B線)に沿って1次元深度分解生Aスキャン(A線)を順次取得して2次元光ドップラートモグラフィ(ODT)画像(B線)を生成する。
現在のプラクティスは、スキャン時間が長くなり、ストレージの需要が増加し、急激な血流動態の捕捉が制限される、密度の高いサンプリングに依存している。
そこで本研究では,高度にサンプル化した生のAスキャンからODT画像の再構成を行うために,ASBAという新しい血流認識ネットワークを導入する。
論文 参考訳（メタデータ） (2026-01-20T17:17:02Z) - Adaptive Anomaly Recovery for Telemanipulation: A Diffusion Model Approach to Vision-Based Tracking [3.9594367082013546]
本稿ではDiffusion-Enhanced Telemanipulationフレームワークを紹介する。
Frame-Difference Detection (FDD) 技術を使って、ビデオストリーム内の異常を識別し、セグメント化する。
論文 参考訳（メタデータ） (2025-03-11T20:52:01Z) - A Novel Tracking Framework for Devices in X-ray Leveraging Supplementary Cue-Driven Self-Supervised Features [6.262161803642583]
本稿では,その時間的可視性を高める自己教師型学習手法を提案する。
本稿では,事前学習した時間ネットワークを効果的に活用する汎用リアルタイム追跡フレームワークを提案する。
バルーンマーカー検出の最大誤差は87%,カテーテル先端検出の最大誤差は61%減少する。
論文 参考訳（メタデータ） (2025-01-22T15:32:07Z) - Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [51.95884144860506]
3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義
既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。
本研究では,新しい教師なしRAR手法であるRinerを提案する。
論文 参考訳（メタデータ） (2024-12-08T08:22:58Z) - LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。
LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。
これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
論文 参考訳（メタデータ） (2024-01-03T18:57:27Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳（メタデータ） (2022-08-17T03:42:19Z) - Robust Landmark-based Stent Tracking in X-ray Fluoroscopy [10.917460255497227]
単一ステントトラッキングのためのエンドツーエンドのディープラーニングフレームワークを提案する。
U-Netベースのランドマーク検出、ResNetベースのステント提案、機能抽出の3つの階層モジュールで構成されている。
実験により,本手法は最先端のポイントベース追跡モデルと比較して,検出精度が有意に向上していることが示された。
論文 参考訳（メタデータ） (2022-07-20T14:20:03Z) - Deep Open Snake Tracker for Vessel Tracing [32.97987423431042]
中心線と半径を持つ3次元医用画像の血管構造をモデル化した血管トレースは、血管の健康に有用な情報を提供することができる。
既存のアルゴリズムは開発されているが、不完全または不正確な容器追跡のような永続的な問題もある。
本稿では3次元画像中の容器をトレースする深層学習に基づく開曲線アクティブな輪郭モデル(DOST)を提案する。
論文 参考訳（メタデータ） (2021-07-19T17:59:31Z)
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。