論文の概要: DTIF: Robust Loop Closure Detection via Delaunay Triangle Topology in Complex Forests

• arxiv url: http://arxiv.org/abs/2607.21138v1
• Date: Thu, 23 Jul 2026 10:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.372165
• Title: DTIF: Robust Loop Closure Detection via Delaunay Triangle Topology in Complex Forests
• Title（参考訳）: DTIF:複合林におけるデラウネー三角形地形によるロバストループ閉鎖検出
• Abstract要約: 本研究では,森林ループ閉鎖検出とグローバル登録のための軽量トランクトポロジーに基づくフレームワークDTIF(Delaunay Triangulation in Forests)を提案する。 DTIFは計算オーバーヘッドの少ない正確な登録を実現し、リソース制約のあるエッジプラットフォーム上での堅牢性、効率、デプロイ性の間で好適なバランスを提供する。
• 参考スコア（独自算出の注目度）: 20.496550029924197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forest inventory and large-scale mapping are essential for ecosystem monitoring and sustainable forest management. Multiple low-cost edge platforms enable efficient large-area data acquisition, but merging independently constructed local maps in GNSS-denied understory environments still requires initialization-free loop closure detection and global registration. This task is challenging because low-cost LiDAR point clouds are sparse and noisy, while repetitive trunk layouts and the lack of distinctive geometric landmarks lead to severe perceptual aliasing and false correspondences. To address these issues, we propose DTIF (Delaunay Triangulation in Forests), a lightweight trunk-topology-based framework for forest loop closure detection and global registration. Tree trunks are first extracted as stable landmarks and encoded using a Delaunay topology for compact scene representation. Candidate submaps are then screened using edge-length and radius statistics, followed by edge--radius consistency verification and strong/weak vertex support aggregation to construct weighted vertex correspondences. Finally, topology-derived reliability weights are incorporated into a decoupled robust pose estimator that separately estimates yaw, horizontal translation, and elevation translation under gravity alignment. Experiments on simulated and real-world forest datasets demonstrate that DTIF achieves accurate registration with low computational overhead, providing a favorable balance among robustness, efficiency, and deployability on resource-constrained edge platforms.
• Abstract（参考訳）: 生態系モニタリングや持続可能な森林管理には,正確な森林在庫と大規模マッピングが不可欠である。 複数の低コストエッジプラットフォームは、効率的な大面積データ取得を可能にするが、GNSSで強化された地下環境において、独立に構築されたローカルマップをマージするには、初期化のないループクロージャ検出とグローバル登録が必要である。 この課題は、低コストのLiDAR点雲は希少でノイズが多いのに対して、繰り返しトランクレイアウトと特徴的な幾何学的ランドマークの欠如は、重度の知覚的エイリアスと偽の対応をもたらすため、難しい。 これらの課題に対処するために,森林ループ閉鎖検出とグローバル登録のための軽量トランクトポロジーに基づくフレームワークDTIF(Delaunay Triangulation in Forests)を提案する。 木幹は最初、安定なランドマークとして抽出され、コンパクトなシーン表現のためにデラウネー位相を用いて符号化される。 候補部分写像は、エッジ長および半径統計を用いてスクリーニングされ、続いてエッジ半径整合性検証と強/弱頂点支持アグリゲーションにより重み付き頂点対応を構築する。 最後に、トポロジ由来の信頼性重みを分離された頑健なポーズ推定器に組み込み、ヨー、水平変換、および重力アライメントの下での高度変換を別々に推定する。 シミュレーションおよび実世界の森林データセットの実験は、DTIFが計算オーバーヘッドの少ない正確な登録を実現し、リソース制約のあるエッジプラットフォーム上での堅牢性、効率、デプロイ性の間の好適なバランスを提供することを示した。

関連論文リスト

• ForestMamba: Sparse Mamba with Geometry-guided Queries for 3D Forest Point Cloud Segmentation [9.432335594963956]
  ForestMambaは、フォレスト固有の事前情報を特徴符号化、クエリ生成、クエリ改善に組み込む構造認識手法である。 7つの森林地域での実験では、フォレストマンバは、両方のセグメンテーションタスクにおいて、既存のベースラインを一貫して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） (2026-06-01T01:49:09Z)
• TreeLoc++: Robust 6-DoF LiDAR Localization in Forests with a Compact Digital Forest Inventory [12.490348787696012]
  我々はDigital Forest Inventories上で直接動作するグローバルなローカライゼーションフレームワークであるTreeLoc++を提案する。 TreeLoc++は、構造的にあいまいな森林における偽マッチを減らし、完全な6-DoFポーズ推定の信頼性を向上させる。 3つのデータセットと4つの国にわたる森林で記録された27のシークエンスの評価は、TreeLoc++がセンチメートルレベルの精度で正確なローカライズを実現していることを示している。
  論文  参考訳（メタデータ） (2026-03-04T03:46:24Z)
• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• TreeLoc: 6-DoF LiDAR Global Localization in Forests via Inter-Tree Geometric Matching [7.581546372433995]
  森林のグローバルローカライゼーションフレームワークであるTreeLocを提案する。 多様なフォレストベンチマークでは、TreeLocはベースラインを上回り、正確なローカライゼーションを実現している。 また、コンパクトなグローバルツリーデータベースからのディスクリプタを用いた長期森林管理の応用も提案する。
  論文  参考訳（メタデータ） (2026-02-02T00:32:07Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
  異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。 ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。 現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。 クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-08T09:01:13Z)
• LDRFusion: A LiDAR-Dominant multimodal refinement framework for 3D object detection [5.820124526272312]
  既存のLiDAR-Camera融合法は3次元物体検出において大きな成果を上げている。 我々は,LDRFusionを提案する。LDRFusionは,マルチセンサフュージョンのための新しい2段階改良フレームワークである。 当社のフレームワークは,複数のカテゴリと難易度をまたいだパフォーマンスを継続的に達成しています。
  論文  参考訳（メタデータ） (2025-07-22T04:35:52Z)
• A Unified Graph-based Framework for Scalable 3D Tree Reconstruction and Non-Destructive Biomass Estimation from Point Clouds [8.821870725779071]
  森林バイオマス (AGB) の推定は, 炭素貯蔵量の評価と持続可能な森林管理支援に不可欠である。 定量的構造モデル(QSM)は3次元木構造再構成によるAGB推定に対する非破壊的アプローチを提供する。 本研究では,大規模クラウドのエンドツーエンド処理を可能にする新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T15:55:47Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。