論文の概要: DECO: Depth-Guided Co-Visibility Reasoning for Low-Altitude UAV Visual Localization

• arxiv url: http://arxiv.org/abs/2608.22289v1
• Date: Sun, 23 Aug 2026 08:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.696881
• Title: DECO: Depth-Guided Co-Visibility Reasoning for Low-Altitude UAV Visual Localization
• Title（参考訳）: DECO:低高度UAVビジュアルローカライゼーションのための奥行き誘導型コバイザビリティ推論
• Abstract要約: 無人航空機(UAV)は、幾何密度の環境において、堅牢な視覚的位置決めを必要としている。 共通解は、UAV画像とジオタグ付き参照マップのキーポイントを一致させてUAVのポーズを推定する。 低高度UAV視覚ローカライゼーションのためのDepth-CO-visibility reasoning frameworkであるDECを提案する。
• 参考スコア（独自算出の注目度）: 11.354204360896581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicles (UAVs) increasingly require robust visual localization in GNSS-denied environments. A common solution estimates UAV poses by matching keypoints between UAV images and geo-tagged orthographic reference maps derived from satellite or aerial imagery, followed by Perspective-\(n\)-Point (PnP) pose solving. However, such reference maps mainly record top-down surfaces such as roofs and ground planes, while vertical structures such as facades and walls are often compressed or missing. Consequently, many visually distinctive keypoints in low-altitude UAV images have no valid counterparts in the reference map, leading to redundant matches and inaccurate pose estimation. To address this issue, we propose DECO, a DEpth-guided CO-visibility reasoning framework for low-altitude UAV visual localization. DECO uses monocular depth priors to infer local surface geometry and estimate co-visible regions between UAV images and the reference map. Based on this prior, a Geometry-Saliency Coupled Co-visibility Score is introduced to jointly consider geometric co-visibility and detector saliency for keypoint ranking. In this way, DECO retains keypoints that are both visually distinctive and geometrically co-visible, improving feature matching and PnP-based pose estimation. Extensive experiments demonstrate that DECO achieves superior localization performance and can be integrated with different depth models, feature detectors, and matchers. The source code will be available at https://github.com/UAV-AVL/DECO.
• Abstract（参考訳）: 無人航空機 (UAVs) は、GNSSで測定された環境において、より堅牢な視覚的位置決めを必要としている。 一般的な解法では、UAV画像と衛星画像または航空画像から得られたジオタグの正書法参照マップのキーポイントを一致させてUAVのポーズを推定し、続いてパースペクティブ-\(n\)-ポイント(PnP)のポーズ解決を行う。 しかし、これらの参照マップは主に屋根や地上面などの上面を記録しているが、ファサードや壁などの垂直構造はしばしば圧縮または欠落している。 その結果、低高度UAV画像における多くの視覚的に特徴的なキーポイントは、参照マップに有効なキーポイントを持たず、冗長なマッチングと不正確なポーズ推定につながる。 この問題に対処するために,低高度UAV視覚ローカライゼーションのためのDepth-guided CO-visibility reasoning frameworkであるDECを提案する。 DECOは、局所的な表面形状を推定し、UAV画像と参照マップの間の共可視領域を推定するために、単眼深度を用いている。 これに基づいて、鍵点ランキングのための幾何学的コビジュアビリティと検出器のサリエンシを共同で検討するために、幾何学的サリエンシ結合コビジュアビリティスコア(Geometry-Saliency Coupled Co-visibility Score)を導入する。 このようにして、DECは視覚的に特徴的で幾何学的に同一視できるキーポイントを保持し、特徴マッチングとPnPベースのポーズ推定を改善している。 大規模な実験により、DECはより優れたローカライゼーション性能を達成し、異なる深度モデル、特徴検出器、および整合器と統合できることが示されている。 ソースコードはhttps://github.com/UAV-AVL/DECOで入手できる。

関連論文リスト

• SpatialUAV: Benchmarking Spatial Intelligence for Low-Altitude UAV Perception, Collaboration, and Motion [76.8430169655641]
  空間知能は、低高度無人航空機(UAV)の認識、協調、航行に不可欠である。 本研究では,実際の低高度UAVベンチマークであるSpatialUAVを紹介した。 現状のモデルは, クロスビュー・アソシエーション, 構造的グラウンドリング, 幾何学的推論, 時間的視点理解において, 明らかなボトルネックを伴って, 人間のレベル・パフォーマンスから遠ざかっていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T09:16:55Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• Object Detection as an Optional Basis: A Graph Matching Network for Cross-View UAV Localization [17.908597896653045]
  本稿では,対象物検出によるマップマッチングを行うUAVローカライゼーションフレームワークを提案する。 典型的なパイプラインでは、UAVの視覚的ローカライゼーションは画像検索の問題として定式化されている。 本手法は, グラフベースノード類似度測定法を用いて, 高精度な検索とローカライズ性能を実現する。
  論文  参考訳（メタデータ） (2025-11-04T11:25:31Z)
• GSAlign: Geometric and Semantic Alignment Network for Aerial-Ground Person Re-Identification [32.31970656501684]
  Aerial-Ground person re-identification (AG-ReID) は、歩行者のイメージを根本的に異なる視点からマッチングすることを目的とした、新たな課題である。 この課題は、極端に視点のずれ、ワープ、空中画像と地上画像の間の領域ギャップのために重大な課題を生じさせる。
  論文  参考訳（メタデータ） (2025-10-25T12:16:10Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• AerialVG: A Challenging Benchmark for Aerial Visual Grounding by Exploring Positional Relations [51.44608822712786]
  ビジュアルグラウンドイングは、自然言語記述に基づいたイメージ内のターゲットオブジェクトのローカライズを目的としている。 AerialVGは、例えば外見に基づく接地は、複数の視覚的に類似した物体を識別するには不十分である。 5Kの空中画像,50Kの注釈付き記述,103Kのオブジェクトからなる,最初のAerialVGデータセットを紹介した。
  論文  参考訳（メタデータ） (2025-04-10T15:13:00Z)
• Exploring the best way for UAV visual localization under Low-altitude Multi-view Observation Condition: a Benchmark [6.693781685584959]
  高度の低い多視点UAV AVLは、極端な視点の変化による大きな課題を提示する。 このベンチマークでは、低高度多視点UAV AVLの課題を明らかにし、将来の研究に貴重なガイダンスを提供した。
  論文  参考訳（メタデータ） (2025-03-12T03:29:27Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)

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。