論文の概要: HOME: Robust Hough-space Matching Method for Structured and Textureless Videos
- arxiv url: http://arxiv.org/abs/2607.25389v1
- Date: Tue, 28 Jul 2026 07:47:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.750085
- Title: HOME: Robust Hough-space Matching Method for Structured and Textureless Videos
- Title（参考訳）: HOME: 構造化ビデオとテクスチャレスビデオのためのロバストハフスペースマッチング手法
- Abstract要約: 超軽量でトレーニング不要な特徴マッチングフレームワークであるHOME(Hough-space One-dimensional Matching of Extrema)を提案する。
ホームは画像をハフ空間に変換し、大域線型構造をキーポイントとなる安定した局所極限にマッピングする。
Homeは、ポイントベースのメソッドが失敗する、既存の行ベースのメソッドよりもはるかに高速に動作する、困難なシナリオにおいて、堅牢な登録を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual front-ends for robotic localization typically rely on point-based features such as Oriented FAST and Rotated BRIEF (ORB), which frequently fail in structured environments dominated by strong linear structures or textureless surfaces. While line-based Simultaneous Localization and Mapping (SLAM) systems mitigate this by utilizing line segments, conventional line extraction and description algorithms are computationally prohibitive for real-time edge robotics. To address this fundamental bottleneck, we propose HOME (Hough-space One-dimensional Matching of Extrema), an ultra-lightweight, training-free feature matching framework. HOME transforms images into Hough space, mapping global linear structures to stable local extrema, which serve as keypoints, thereby reformulating complex line matching into highly efficient one-dimensional point matching. The proposed 1D radial descriptor mathematically guarantees rotational and translational invariance without the overhead of explicit orientation estimation. As a proof of concept to validate the matching accuracy and efficiency of HOME, this paper focuses on homography estimation. Extensive evaluations demonstrate that HOME achieves robust registration in challenging scenarios where point-based methods fail, operating at a much faster speed than existing line-based methods. Extending this robust matching engine to full 3D pose estimation remains a highly promising future direction.
- Abstract（参考訳）: ロボットローカライゼーションのための視覚的フロントエンドは、通常は、強い線形構造やテクスチャのない表面が支配する構造化環境でしばしば失敗する、オリエントFASTやロータネートBRIEF (ORB)のようなポイントベースの機能に依存している。
ラインベース同時局所マッピング(SLAM)システムは,線分を利用してこれを緩和するが,従来の線分抽出と記述アルゴリズムはリアルタイムエッジロボティクスでは計算が禁じられている。
この根本的なボトルネックに対処するため,超軽量でトレーニング不要な特徴マッチングフレームワークであるHOME(Hough-space One-dimensional Matching of Extrema)を提案する。
HOMEは画像をハフ空間に変換し、大域的線形構造をキーポイントとして機能する安定した局所極限にマッピングし、複素ラインマッチングを高効率な一次元点マッチングに変換する。
提案した1次元ラジアルディスクリプタは, 明示的向き推定のオーバーヘッドを伴わずに, 回転および翻訳の不変性を数学的に保証する。
本稿では,HOMEのマッチング精度と効率性を検証するための概念実証として,ホモグラフィー推定に焦点をあてる。
大規模な評価では、既存の行ベースのメソッドよりもはるかに高速に動作し、ポイントベースのメソッドが失敗する困難なシナリオにおいて、HOMEが堅牢な登録を実現することが示されている。
この頑丈なマッチングエンジンをフル3Dポーズ推定に拡張することは、将来性が高い。
関連論文リスト
- SphereSOD: Geometry-Structure Coupled Learning for 360 Salient Object Detection [75.77856258186854]
360度高解像度物体検出は、全視野にわたって高解像度領域を正確に分割することを目的としている。
既存の手法は主に、パノラマ幾何学と健全な物体構造との相互作用を見越しながら、投影歪みを補正することに焦点を当てている。
SphereSODは、パノラマ幾何学と進化する塩分構造を結合したERPネイティブフレームワークである。
論文 参考訳（メタデータ） (2026-09-07T14:47:54Z) - Prior-SG: Task and Prior Driven Region Segmentation for Scene Graphs in Arbitrarily-Structured Environments [20.027960785504586]
確率的アライメント問題としてシーングラフを生成するタスク駆動および事前駆動のフレームワークであるPreside-SGを提案する。
我々は、多様なシミュレーションされた住宅データセットと、大規模でオープンな実環境にまたがるこのアプローチを検証する。
論文 参考訳（メタデータ） (2026-08-06T15:36:12Z) - Offline-Online Hierarchical 3D Global Relocalization With Synthetic LiDAR Sensing and Descriptor-Space Retrieval [10.166844590142665]
3Dグローバルな再ローカライゼーションは、実用アプリケーションにおけるモバイルロボットの重要な機能のひとつだ。
本稿では,検索空間を分離するオフライン・オンライン階層型フレームワークを提案する。
提案手法は,3次元環境における3秒平均再局在時間と8cm平均局在精度を実現する。
論文 参考訳（メタデータ） (2026-05-08T13:46:57Z) - POPL-KF: A Pose-Only Geometric Representation-Based Kalman Filter for Point-Line-Based Visual-Inertial Odometry [2.222792685950058]
我々は,PPL-KF を開発した。Kalman フィルタを用いた VIO システムで,点特徴と線特徴の両方に対してポーズのみの幾何学的表現を用いる。
POPL-KFは、測定方程式から点特徴座標と線特徴座標を明示的に除去することで線形化誤差を緩和する。
ライン特徴量を改善するために,画像グリッドのセグメンテーションと双方向光フローの整合性に基づくライン特徴フィルタを提案する。
論文 参考訳（メタデータ） (2026-02-06T06:45:39Z) - RiemanLine: Riemannian Manifold Representation of 3D Lines for Factor Graph Optimization [49.83974390433746]
本稿では,3次元ラインの最小限の統一表現である textbfRiemanLine を紹介する。
私たちのキーとなるアイデアは、各行のランドマークをグローバルなコンポーネントとローカルなコンポーネントに分離することです。
ICL-NUIM, TartanAir, および総合ベンチマークを用いた実験により, 提案手法はより精度の高いポーズ推定とライン再構成を実現することが示された。
論文 参考訳（メタデータ） (2025-08-06T11:27:38Z) - An Accurate and Real-time Relative Pose Estimation from Triple Point-line Images by Decoupling Rotation and Translation [10.05584976985694]
3D-2D制約は、Visual Odometry (VO) やStructure-from-Motion (SfM) システムで広く使われている。
回転変換デカップリング推定に基づく新しい3次元ポーズ解決器を提案する。
論文 参考訳（メタデータ） (2024-03-18T10:21:05Z) - ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic
Reconstruction [62.599588577671796]
本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。
オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
論文 参考訳（メタデータ） (2023-11-29T20:30:18Z) - IDLS: Inverse Depth Line based Visual-Inertial SLAM [9.38589798999922]
Inverse Depth Line SLAM (IDLS) を提案する。
IDLSは、複数の知覚的整合性データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-04-23T20:53:05Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
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。