論文の概要: NSFlow: End-to-End Differentiable Neuro-Symbolic Optical Flow for Visual Odometry
- arxiv url: http://arxiv.org/abs/2609.06074v1
- Date: Sat, 05 Sep 2026 13:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 11:41:40.966626
- Title: NSFlow: End-to-End Differentiable Neuro-Symbolic Optical Flow for Visual Odometry
- Title（参考訳）: NSFlow:視覚計測のためのエンド・ツー・エンド微分型ニューロシンボリック光流
- Abstract要約: スパース光流は、視覚オドメトリー(VO)と視覚慣性オドメトリー(VIO)において安定したフレーム間対応を提供する
現代の回帰に基づく学習法は、複雑な場面ではより堅牢であるが、しばしば計算的に重く、明示的な幾何学的整合性が欠如している。
両パラダイムの強みを組み合わせたハイブリッド型ニューロシンボリック・フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.880222753550733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sparse optical flow provides stable inter-frame correspondence, playing a key role in Visual Odometry (VO) and Visual-Inertial Odometry (VIO). Classical optimization-based methods, such as Lucas-Kanade (LK), perform well under small displacements but are sensitive to large motions and illumination changes. Modern regression-based learning methods, while more robust in complex scenes, are often computationally heavy and lack explicit geometric consistency, making them less suitable for efficient VO/VIO front-ends. To bridge this gap, we propose a hybrid neuro-symbolic framework that combines the strengths of both paradigms. Our method uses a Convolutional Neural Network (CNN) to extract robust feature representations, which is fed into a differentiable LK optimizer to estimate optical flow in an end-to-end trainable manner. Through implicit differentiation, gradients are propagated across the iterative solver, enabling joint optimization of feature extraction and flow estimation. The resulting system integrates seamlessly into existing VO/VIO pipelines and runs in real-time on embedded platforms. Experiments show that our method outperforms conventional optimization-based flow in challenging conditions such as dynamic lighting and low texture, while also achieving higher accuracy and lower latency than purely regression-based alternatives. When deployed in a VIO system, our method demonstrates significant performance improvement, achieving an average error reduction of 42\% on challenging datasets while enhancing tracking stability. The code is publicly available.
- Abstract（参考訳）: スパース光フローは安定したフレーム間通信を提供し、視覚オドメトリー(VO)と視覚慣性オドメトリー(VIO)において重要な役割を果たす。
ルーカス・カナーデ (LK) のような古典的な最適化に基づく手法は、小さな変位の下ではうまく機能するが、大きな動きや照明の変化に敏感である。
現代の回帰に基づく学習法は複雑な場面ではより堅牢であるが、しばしば計算的に重く、幾何的整合性が欠如しており、効率的なVO/VIOフロントエンドには適さない。
このギャップを埋めるために,両パラダイムの強みを組み合わせたハイブリッド型ニューロシンボリック・フレームワークを提案する。
提案手法では、畳み込みニューラルネットワーク(CNN)を用いて頑健な特徴表現を抽出し、LKオプティマイザに入力して、エンドツーエンドのトレーニング可能な方法で光フローを推定する。
暗黙的な微分により、勾配は反復解法全体に伝播し、特徴抽出とフロー推定の合同最適化を可能にする。
その結果、既存のVO/VIOパイプラインにシームレスに統合され、組み込みプラットフォーム上でリアルタイムに実行される。
実験により,本手法は動的照明や低テクスチャといった難易度条件において従来の最適化ベースフローよりも高い性能を示し,また,純粋回帰法よりも高い精度と低レイテンシを実現していることがわかった。
提案手法は,VIOシステムにデプロイした場合,高い性能向上を実現し,トラヒック安定性を向上しつつ,挑戦的なデータセットに対して平均42倍の誤差低減を実現している。
コードは公開されている。
関連論文リスト
- DyWeight: Dynamic Gradient Weighting for Few-Step Diffusion Sampling [18.524470249911232]
Dynamic Gradient Weighting (DyWeight)は、軽量で学習ベースのマルチステップソルバである。
DyWeightは、歴史的勾配を適応的に集約する制約のない時間変化パラメータを学習する。
CIFAR-10、FFHQ、AFHQv2、ImageNet64、LSUN-Bedroom、Stable Diffusion、FLUX.1-devの実験は、DyWeightが優れた視力と安定性を達成することを示した。
論文 参考訳（メタデータ） (2026-03-12T07:01:44Z) - Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳（メタデータ） (2025-12-28T05:48:55Z) - Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。
これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
論文 参考訳（メタデータ） (2025-12-12T14:16:35Z) - Learnable SMPLify: A Neural Solution for Optimization-Free Human Pose Inverse Kinematics [13.621560002904873]
Learnable SMPLifyは、SMPLifyの反復フィッティングプロセスをシングルパス回帰モデルに置き換えるニューラルネットワークフレームワークである。
SMPLifyに比べて200倍近く高速なランタイムを実現し、3DPWやRICHによく対応し、LucidActionのプラグインツールとして使用する場合、モデルに依存しない方法として動作する。
論文 参考訳（メタデータ） (2025-08-19T06:53:57Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - AYLA: Amplifying Gradient Sensitivity via Loss Transformation in Non-Convex Optimization [0.0]
Gradient Descent (SGD)とその変種(ADAMなど)はディープラーニングの最適化の基礎となっている。
本稿では、動的トレーニングを強化する新しいフレームワークであるAYLAを紹介する。
論文 参考訳（メタデータ） (2025-04-02T16:31:39Z) - XR-VIO: High-precision Visual Inertial Odometry with Fast Initialization for XR Applications [34.2082611110639]
本稿では,視覚慣性オドメトリー(VIO)に対する新しいアプローチとして,初期化と特徴マッチングモジュールについて述べる。
ジャイロスコープの既存の方法は、運動からの視覚構造(SfM)の安定性の低下や、膨大な数のパラメータの同時解決に悩まされることが多い。
測定値の密結合により,視覚的SfMの堅牢性と精度が向上する。
特徴マッチングに関しては,光学フローとディスクリプタベースマッチングを組み合わせたハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2025-02-03T12:17:51Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳（メタデータ） (2021-11-26T18:59:56Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z)
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。