論文の概要: GeoUniPR: A Geometry-Consistent Unified Framework for Cross-Modal Place Recognition
- arxiv url: http://arxiv.org/abs/2608.11263v1
- Date: Mon, 10 Aug 2026 03:52:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.313251
- Title: GeoUniPR: A Geometry-Consistent Unified Framework for Cross-Modal Place Recognition
- Title（参考訳）: GeoUniPR: 位置認識のための幾何一貫性統一フレームワーク
- Abstract要約: CMPR(Cross-Modal Place Recognition)は、視覚やLiDARなどの異質な知覚モーダル間で同じ位置を識別することを目的としている。
既存の手法は、複雑なアライメントモジュール、マルチステージトレーニング、あるいは事前訓練されたバックボーンの完全な微調整を用いて、モダリティギャップをブリッジする。
本研究では,GeoUniPRを提案する。
- 参考スコア（独自算出の注目度）: 8.76030434763729
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-modal place recognition (CMPR) aims to identify the same location across heterogeneous sensing modalities, such as vision and LiDAR. Existing methods commonly bridge the modality gap using complex alignment modules, multi-stage training, or full fine-tuning of pretrained backbones. In this work, we revisit CMPR from the perspective of geometric consistency and propose GeoUniPR, a unified and concise geometry-consistent framework. GeoUniPR reduces cross-modal discrepancy at the representation level by projecting LiDAR point clouds into the camera perspective to construct Geometry-Consistent depth image views (DIV), which establish direct RGB-LiDAR correspondence. We further augment DIV with native LiDAR cues, including intensity and surface-normal information, yielding a multi-channel geometric representation that improves structural consistency. Based on this representation, GeoUniPR learns a unified embedding space using two modality-specific ViT-based encoders with identical architectures, trained through parameter-efficient adaptation without auxiliary alignment modules, multi-stage training, or full backbone fine-tuning. In addition, we introduce Spatially-Consistent InfoNCE (SC-InfoNCE), a CMPR-specific contrastive objective that suppresses distance-induced false negatives under spatial continuity. Extensive experiments on KITTI and KITTI-360 demonstrate that GeoUniPR achieves state-of-the-art (SOTA) performance in both same-modal and cross-modal place recognition, with strong cross-dataset generalization.
- Abstract（参考訳）: CMPR(Cross-Modal Place Recognition)は、視覚やLiDARなどの異質な知覚モーダル間で同じ位置を識別することを目的としている。
既存の手法は、複雑なアライメントモジュール、マルチステージトレーニング、あるいは事前訓練されたバックボーンの完全な微調整を用いて、モダリティギャップをブリッジする。
本研究では,幾何整合性の観点からCMPRを再検討し,統一的かつ簡潔な幾何整合性フレームワークであるGeoUniPRを提案する。
GeoUniPRは、カメラ視点にLiDAR点雲を投影し、直接RGB-LiDAR対応を確立するGeometry-Consistent depth Image View (DIV)を構築することで、表現レベルでのモード間差を低減する。
さらにDIVをLiDARで強化し、強度や表面正規化情報を含む構造整合性を向上させる多チャンネル幾何表現を生成する。
この表現に基づいて、GeoUniPRは、同じアーキテクチャを持つ2つのモダリティ固有のViTベースのエンコーダを使用して統合埋め込み空間を学習し、補助アライメントモジュールやマルチステージトレーニング、フルバックボーンファインチューニングを使わずにパラメータ効率のよい適応を訓練する。
さらに,空間連続性の下での距離誘起偽陰性を抑制するCMPR固有のコントラスト目的である空間持続情報NCE(SC-InfoNCE)を導入する。
KITTIとKITTI-360の大規模な実験により、GeoUniPRは、強力なクロスデータセットの一般化により、同じモダルとクロスモーダルの両方で、最先端(SOTA)の性能を達成することを示した。
関連論文リスト
- GeoMAD: Geometry-Aware Multi-View Anomaly Detection via Deformable Fusion and Distributional Alignment [32.33973839948303]
マルチビュー異常検出(MvAD)は、複数のカメラ視点からの相補的な観察を利用して欠陥を検出する。
既存の方法は通常2つの極端に該当する: ボクセルベースの融合は明示的な幾何学的アライメントを提供するが、コストがかかる3次元構造とクラス固有の仮定を必要とする。
幾何対応の不整合と分布不整合の両方に対処する統合多視点多クラスADフレームワークGeoMADを提案する。
論文 参考訳（メタデータ） (2026-08-27T07:15:15Z) - More Than Where You Are: Learning Semantics, Structure, and Geometry from Cross-View Localization [8.17466031886622]
極端視点変化下でのクロスビュー理解は、空間知能にとって不可欠である。
クロスビューなローカライゼーションは単に2次元マッチングやポーズ推定と見なすべきではない。
CROSSは, 3次元のアライメント, 構造認識マッチング, 仮説ランキングに基づいて構築された, クロスビュー・ローカライズ・フレームワークである。
論文 参考訳（メタデータ） (2026-07-14T07:00:34Z) - OmniView-Space: Reinforcing Spatial Reasoning via Multi-Perspective Spatial Mapping [69.48762031013514]
OmniView-Spaceはマルチモーダルなエゴセントリックなエビデンスを通じて空間の一貫性を維持するために設計されたフレームワークである。
提案手法は, マルチパースペクティブ空間マッピング (MPSM) の3つのコアコンポーネントから構成される。(1) 幾何をクエリ整列型視覚認知マップとテキスト空間グラフに再構成する手法,(2) クエリによって要求されるエゴアンカーを積極的に選択し,対応するMPSM証拠を要求するためのインターリーブドポリシー,(3) MPSM生成トラジェクトリとエゴフレーム報酬を用いてモデルを自己生成認知マップで推論する認知マップ蒸留である。
論文 参考訳（メタデータ） (2026-07-01T12:45:12Z) - G2IA: Geometry-Guided Instance-Aware Retrieval and Refinement for Cross-Modal Place Recognition [24.541278686912616]
クロスモーダル位置認識(CMPR)により、カメラのみのロボットは、自律的なナビゲーションシナリオにおいて、事前に構築されたLiDARマップに対してローカライズすることができる。
このイメージ・ツー・ポイント・クラウド・セッティングは、2つのあいまいさ、すなわち視点RGBの外観とスパースメトリ幾何の間のモダリティギャップによって挑戦される。
画像から点までの位置認識のための幾何学誘導型インスタンス認識フレームワークであるG2IAを提案する。
論文 参考訳（メタデータ） (2026-06-13T12:53:52Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。
GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。
GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
論文 参考訳（メタデータ） (2026-05-19T12:08:09Z) - UNIGEOCLIP: Unified Geospatial Contrastive Learning [23.04186252685893]
地理的空間的データは、空中画像、ストリートレベルビュー、標高モデル、テキスト、地理的座標にまたがる。
UNIGEOCLIPは,5つの相補的な地理空間的モダリティを協調的に整合させる,非常に多モーダルなコントラストフレームワークである。
また,マルチスケールの地理的構造を捉えることで空間表現を改善するスケールド緯度エンコーダを提案する。
論文 参考訳（メタデータ） (2026-04-13T16:14:49Z) - CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。
CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
論文 参考訳（メタデータ） (2026-01-07T09:21:38Z) - Semantic-Enhanced Cross-Modal Place Recognition for Robust Robot Localization [1.2031796234206136]
我々はSemantic-Enhanced Cross-Modal Place Recognition (SCM-PR)と呼ぶフレームワークを導入する。
SCM-PRは、RGB画像を利用した高レベルセマンティクスを組み合わせることで、LiDARマップのロバストなローカライゼーションを実現する。
KITTIとKITTI-360データセットに関する実験研究は、SCM-PRが最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2025-09-16T19:17:54Z) - Dynamic Contrastive Learning for Hierarchical Retrieval: A Case Study of Distance-Aware Cross-View Geo-Localization [20.868592923432843]
既存のディープラーニングを用いたクロスビュージオローカライズ手法は主に、クロスドメイン画像マッチングの精度向上に重点を置いている。
特徴表現を階層的空間的マージンに応じて段階的に整列させる新しいフレームワークである動的コントラスト学習(DyCL)を提案する。
論文 参考訳（メタデータ） (2025-06-29T03:57:01Z) - Cross-Modal Bidirectional Interaction Model for Referring Remote Sensing Image Segmentation [50.433911327489554]
リモートセンシング画像セグメンテーション(RRSIS)の目標は、参照式によって識別された対象オブジェクトの画素レベルマスクを生成することである。
上記の課題に対処するため、クロスモーダル双方向相互作用モデル(CroBIM)と呼ばれる新しいRRSISフレームワークが提案されている。
RRSISの研究をさらに推し進めるために、52,472個の画像言語ラベル三重項からなる新しい大規模ベンチマークデータセットRISBenchを構築した。
論文 参考訳（メタデータ） (2024-10-11T08:28:04Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z)
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。