論文の概要: Does Robust VIO Need More Learning? Geometry-Verified Visual Measurements under Distribution Shift

• arxiv url: http://arxiv.org/abs/2607.17956v1
• Date: Mon, 20 Jul 2026 13:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.64615
• Title: Does Robust VIO Need More Learning? Geometry-Verified Visual Measurements under Distribution Shift
• Title（参考訳）: ロバスト VIO はもっと学習を必要とするか? 分布シフトによる幾何認証された視覚計測
• Abstract要約: 本稿では,SEA-RAFTを用いた最小学習型ステレオVIOフレームワークを提案する。 密度流はスパースの特徴点でサンプリングされ、予測された不確実性とステレオエピポーラ一貫性を用いてフィルタリングされ、スライディングウインドウのステレオ慣性推定器に組み込まれる。 EuRoC, VIODE, および 4Seasons の実験では, 動きのぼやけ, ダイナミックなシーン, 照明の変化, 屋内から屋外への大規模な分布変化の下で, 正確かつ安定した推定方法が示されている。
• 参考スコア（独自算出の注目度）: 18.007082445726756
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning is increasingly introduced into visual-inertial odometry (VIO), ranging from learned feature front-ends to learning-dominant motion and geometry estimation. However, learning more of the pipeline does not necessarily improve robustness when deployment conditions differ from the training distribution. This work asks whether robust VIO under distribution shift truly requires deeper learned estimation, or whether learning can be confined to visual measurement generation. We propose a minimal-learning stereo VIO framework in which SEA-RAFT is used only to propose dense stereo correspondences and predict their uncertainty, while temporal tracking, geometric verification, and state estimation remain explicit. Dense flow is sampled at sparse feature locations, filtered using predicted uncertainty and stereo epipolar consistency, and incorporated into a sliding-window stereo-inertial estimator through uncertainty-weighted reprojection factors. The same uncertainty is further propagated through stereo triangulation for downstream anisotropic 3D Gaussian mapping. Experiments on EuRoC, VIODE, and 4Seasons demonstrate accurate and stable estimation under motion blur, dynamic scenes, illumination changes, and large indoor-to-outdoor distribution shifts. Ablations show that learned flow alone is insufficient: the gains arise from combining learned correspondence proposals with geometric verification and uncertainty-aware weighting. These results suggest that, for OOD-robust VIO, carefully integrated learned visual measurements can be more effective than learning a larger fraction of the estimation pipeline. Code and configs for the benchmark will be open-source upon acceptance. A supplementary video is available at https://drive.google.com/file/d/1EVRhOkhanmNXHbQS1Vr80FoEIAYOYOV2/view
• Abstract（参考訳）: 学習は視覚慣性オドメトリー(VIO: visual-inertial odometry)に徐々に導入され、学習特徴のフロントエンドから学習優位な動きや幾何推定まで多岐にわたる。 しかしながら、パイプラインをより多く学ぶことは、デプロイメント条件がトレーニングディストリビューションと異なる場合、必ずしも堅牢性を改善するとは限らない。 この研究は、分布シフト下でのロバストなVIOが真に深く学習された推定を必要とするか、あるいは、学習が視覚計測生成に限られるのかを問うものである。 本稿では,SEA-RAFTを用いた最小学習型ステレオVIOフレームワークを提案する。 密度流はスパースの特徴点でサンプリングされ、予測された不確実性とステレオエピポーラ一貫性を用いてフィルタリングされ、不確実性重み付けされた再投射因子を介してスライドウインドウのステレオ慣性推定器に組み込まれる。 同じ不確実性は、下流の異方性3次元ガウス写像のための立体三角測量によってさらに伝播する。 EuRoC, VIODE, および 4Seasons の実験では, 動きのぼやけ, ダイナミックなシーン, 照明の変化, 屋内から屋外への大規模な分布変化の精度と安定度が示された。 アブレーションは、学習フローだけでは不十分であることを示し、学習された対応提案と幾何的検証と不確実性認識重み付けを組み合わせることで得られる。 これらの結果から, OOD-robust VIOでは, 学習された視覚的計測を慎重に統合することは, 推定パイプラインの大部分を学習するよりも効果的であることが示唆された。 ベンチマークのコードと設定は、受け入れ次第オープンソースになる。 補足ビデオはhttps://drive.google.com/file/d/1EVRhOkhanmNXHbQS1Vr80FoEIAYOV2/viewで公開されている。

関連論文リスト

• TANGO-VIO: Triangulation-Aware Navigation with Guaranteed Feature-Observability for Visual-Inertial Odometry [0.0]
  本研究では,特徴量重畳行列の対数行列を制御障壁関数に埋め込んだ三角測量対応ナビゲーションフレームワークTANGO-VIOを提案する。 提案アーキテクチャは,ソフトウェア・イン・ザ・ループシミュレーションと実飛行実験により評価される。
  論文  参考訳（メタデータ） (2026-08-03T11:32:30Z)
• MDE-VIO: Enhancing Visual-Inertial Odometry Using Learned Depth Priors [8.2208199207543]
  本稿では,アフィン不変深度一貫性と対方向順序制約を強制する新しいフレームワークを提案する。 このアプローチは、計量スケールを頑健に回復しながら、エッジデバイスの計算限界に厳密に固執する。
  論文  参考訳（メタデータ） (2026-02-11T19:53:06Z)
• GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
  我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。 トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。 実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
  論文  参考訳（メタデータ） (2023-10-24T08:45:15Z)
• Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular Depth Estimation by Integrating IMU Motion Dynamics [74.1720528573331]
  教師なし単眼深度と自我運動推定は近年広く研究されている。 我々は、視覚情報とIMUモーションダイナミクスを統合した新しいスケールアウェアフレームワークDynaDepthを提案する。 我々は、KITTIおよびMake3Dデータセット上で広範囲な実験とシミュレーションを行うことにより、DynaDepthの有効性を検証する。
  論文  参考訳（メタデータ） (2022-07-11T07:50:22Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)
• DF-VO: What Should Be Learnt for Visual Odometry? [33.379888882093965]
  マルチビュージオメトリと深層学習を深さと光フローで統合し、シンプルで堅牢な視覚オドメトリーシステムを設計します。 包括的アブレーション研究により,提案手法の有効性が示され,本システムの性能に関する広範な評価結果が得られた。
  論文  参考訳（メタデータ） (2021-03-01T11:50:39Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• TLIO: Tight Learned Inertial Odometry [43.17991168599939]
  IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。 ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
  論文  参考訳（メタデータ） (2020-07-06T03:13:34Z)
• Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation [0.0]
  本稿では,慣性計測ユニット(IMU)のジャイロスコープを地中真実データを用いて識別する学習手法を提案する。 得られたアルゴリズムは、(目に見えない)テストシーケンスで最先端の処理を行う。
  論文  参考訳（メタデータ） (2020-02-25T08:04:31Z)

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。