論文の概要: UQ-Loc: Uncertainty-Aware LiDAR Scene Coordinate Regression

• arxiv url: http://arxiv.org/abs/2608.06307v1
• Date: Thu, 06 Aug 2026 17:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.980132
• Title: UQ-Loc: Uncertainty-Aware LiDAR Scene Coordinate Regression
• Title（参考訳）: UQ-Loc:不確実性を意識したLiDARシーン協調回帰
• Abstract要約: LiDARは点雲を直接3Dシーン座標にマッピングし、明示的なマップ検索なしで正確な6-DoFローカライゼーションを可能にする。 既存の手法は決定論的予測を生み出し、ロバスト性や下流の意思決定を改善するアレラトリックな不確実性を捨てる。 ボクセルあたり3x3の正定値共分散行列を予測する異方性ガウス共分散ヘッドでLightLocアーキテクチャを拡張したUQ-Locを提案する。
• 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: LiDAR-based Scene Coordinate Regression (SCR) maps point clouds directly to 3D scene coordinates, enabling precise 6-DoF localisation without explicit map retrieval. However, existing methods produce deterministic predictions, discarding aleatoric uncertainty that could improve robustness and downstream decision-making. We present UQ-Loc, which extends the LightLoc architecture with an anisotropic Gaussian covariance head that predicts a full 3x3 positive-definite covariance matrix per voxel. Training uses a Negative Log-Likelihood (NLL) loss augmented with a kNN-based spatial smoothness regulariser, while inference employs a modified SC2-PCR solver with uncertainty-weighted seed scoring and a Mahalanobis-distance inlier test. We adopt Expected Calibration Error (ECE) as a principled metric for evaluating the quality of the predicted uncertainty. Experiments demonstrate that UQ-Loc achieves consistent improvement in 6-DoF localization accuracy while producing well-calibrated covariances.
• Abstract（参考訳）: LiDARベースのScene Coordinate Regression (SCR)は、点雲を直接3Dシーン座標にマッピングする。 しかし、既存の手法は決定論的予測を生み出し、ロバスト性や下流の意思決定を改善するアレラトリックな不確実性を捨てる。 ボクセルあたり3x3の正定値共分散行列を予測する異方性ガウス共分散ヘッドでLightLocアーキテクチャを拡張したUQ-Locを提案する。 トレーニングでは、NLL損失をkNNベースの空間スムーズ性正規化器で強化し、推論では、不確実性重み付きシードスコアとマハラノビス距離インリエテストを備えた改良SC2-PCRソルバを用いる。 我々は予測された不確実性の品質を評価するための原則的指標として期待校正誤差(ECE)を採用した。 実験により、UQ-Locは、よく校正された共分散を生成しながら、6-DoFのローカライゼーション精度を一貫した改善を達成することが示された。

関連論文リスト

• Unscented KalmanNet: a hybrid deep learning filter with calibrated posterior covariance for nonlinear state estimation [3.3318820340878528]
  非線形力学系の状態推定は、Unscented Kalman filter (UKF) を用いて行うのが一般的である。 本稿では、構造的に異なる2つの学習要素でUKFを増強するハイブリッド再帰推定器であるUnscented KalmanNet(UKN)を紹介する。 UKNは4つの例の中で最も低い集合状態推定誤差を達成し、合成ケースのUKFと比較してRMSEを26.4$-49.7%値下げする。
  論文  参考訳（メタデータ） (2026-08-04T19:58:01Z)
• Calibrated Closed-Form Uncertainty for Radiative Gaussian Splatting in Sparse-View CT [13.147279382369293]
  ガウススプラッティングCTにおける最初の系統的校正法について検討した。 その結果, ボクセルごとの不確実性は, 公式ベンチマークの15面中14面に真の復元誤差をランク付けすることがわかった。 そして、不適格な買収スコアがなぜ許容できる見解を選択できるのかを見極める。
  論文  参考訳（メタデータ） (2026-07-15T10:25:05Z)
• Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions [0.0]
  下流決定のための有限ショットQEMの理論を開発する。 我々は、商因子化、ギャップロー極小性、限界ノーゴー定理、QEMプルバック定理、固定配置ショットレベル逆を証明する。
  論文  参考訳（メタデータ） (2026-07-03T02:35:57Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• CAGE: Curvature-Aware Gradient Estimation For Accurate Quantization-Aware Training [73.46600457802693]
  本稿では,量子化による損失に対応する新しい手法を提案する。 CAGEは、同様の計算コストで、精度の観点から最先端の手法を大幅に改善する。 LlamaモデルのQAT事前トレーニングでは、CAGEは4ビット(W4A4)で達成された精度と事前のベストメソッドとを一致させる。
  論文  参考訳（メタデータ） (2025-10-21T16:33:57Z)
• Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation [1.9268905951820923]
  反復クローズトポイント(ICP)は、特徴のない環境や動的なシーンでエラーを起こしやすいため、不正確なポーズ推定につながる。 本稿では、深層学習を利用したデータ駆動型フレームワークを提案し、マッチング前にICPの登録誤差共分散を推定する。 本手法はカルマンフィルタにおけるICPのシームレスな統合を可能にし,局所化精度とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2025-09-23T13:02:44Z)
• Density-Calibrated Conformal Quantile Regression [2.0485358181172453]
  本稿では,密度キャリブレーション型コンフォーマル量子回帰法(CQR-d)を提案する。 CQR-dは、局所データ密度によって重みが決定される局所的およびグローバルな適合性のスコアの重み付けによるローカル情報を含む。 我々は、CQR-dが1-α-epsilon$で有効な限界カバレッジを提供することを証明している。
  論文  参考訳（メタデータ） (2024-11-29T07:41:20Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。