論文の概要: FFVO: A Feedforward Pose Decoder for Long-Horizon Visual Odometry
- arxiv url: http://arxiv.org/abs/2609.13733v1
- Date: Sat, 12 Sep 2026 05:56:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.488623
- Title: FFVO: A Feedforward Pose Decoder for Long-Horizon Visual Odometry
- Title（参考訳）: FFVO:長軸視覚計測のためのフィードフォワードポスデコーダ
- Abstract要約: 本稿では,効率的かつ時間的に安定なカメラ位置推定のための共同再構成アーキテクチャのポーズ特化適応であるFeedforward Visual Odometry (FFVO)を提案する。
FFVOは、(i) 時間的アグリゲーションを計算的に効率的に行うためのコンパクトなカメラトーケン表現、(ii) 階層的局所-言語的時間的デコーダ、(iii) 時間的安定性を促進する中間軌道監督を使用する。
- 参考スコア（独自算出の注目度）: 31.83986431141471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stable and reliable 4D spatial understanding is fundamental for autonomous driving systems. While feedforward reconstruction networks can estimate camera motion and 3D structure in one pass, pose estimation over long videos remains challenged by computational cost, long-context ambiguity, and temporal instability. To address these challenges, we propose Feedforward Visual Odometry (FFVO), a pose-specialized adaptation of joint reconstruction architectures for efficient and temporally stable camera-pose estimation. FFVO uses (i) a compact camera-token representation for computationally efficient temporal aggregation, (ii) a hierarchical local-to-global temporal decoder that mitigates geometric ambiguity by separating short-range motion aggregation from sequence-level integration, and (iii) intermediate trajectory supervision that promotes temporal stability. Extensive evaluation on the Waymo Open Dataset (WOD), KITTI, and a large-scale proprietary benchmark demonstrates that our method performs favorably against existing feedforward approaches, and greatly reduces jitter and drift. These results support FFVO as an effective feedforward camera-pose decoder in long-horizon visual odometry settings.
- Abstract（参考訳）: 安定かつ信頼性の高い4次元空間理解は、自律運転システムの基本である。
フィードフォワード再構成ネットワークは、カメラの動きと3D構造を1パスで推定できるが、長いビデオのポーズ推定は、計算コスト、長いコンテキストのあいまいさ、時間的不安定さに悩まされている。
これらの課題に対処するため,我々はFedforward Visual Odometry (FFVO)を提案する。
FFVO の使用
一 計算効率の良い時間アグリゲーションのためのコンパクトカメラトーケン表現
(二)列レベルの積分から短距離運動集約を分離して幾何学的曖昧性を緩和する階層的局所-グローバル時間デコーダ
三 時間的安定を促進する中間軌道監督
Waymo Open Dataset (WOD) やKITTI, 大規模プロプライエタリなベンチマークに対する大規模な評価は, 既存のフィードフォワードアプローチに対して, 提案手法が良好に動作し, ジッタやドリフトを大幅に低減することを示した。
これらの結果から, FFVOは, 長時間の視覚的オドメトリー設定において, 効果的なフィードフォワードカメラ用デコーダとしてサポートされた。
関連論文リスト
- Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction [10.383154504465232]
ABot-Reconは、前の11フレームからKV機能をキャッシュするシンプルなストリーミングモデルである。
現在のカメラ座標系における点マップと、隣接するフレームの相対的なポーズを予測する。
蓄積ドリフトを低減するために、最近の視覚と運動のコンテキストを用いて、軽量の時間リファインダは相対回転を改善する。
論文 参考訳（メタデータ） (2026-08-27T15:07:38Z) - EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。
提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
論文 参考訳（メタデータ） (2026-08-09T09:00:30Z) - NoDrift3R: Raymap-Guided Coupling for Drift-Robust Unposed Feed-Forward 3D Reconstruction [25.145305440192875]
Pose-Free Feed-forward 3D Gaussian Splattingは、最近、高速なシーン再構築のための強力なパラダイムとして登場した。
しかし、その性能は累積カメラポーズ推定ドリフトにより長い画像列で著しく低下する。
我々は、レイマップガイド結合モジュールを用いて、幾何と外観を明示的に結合する相乗的ポーズフリーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-08T09:02:18Z) - Sphere-VIO: Fast and Robust Visual-Inertial Odometry via Unified Spherical Representation for Heterogeneous Multi-Camera Systems [11.777651307702174]
マルチカメラ・ビジュアル・慣性オドメトリー(VIO)は、視野を広げることによって純粋な視覚系の固有の限界を克服する。
ヘテロジニアスマルチカメラシステムのための球面表現を統一した軽量フィルタベースのVIOフレームワークであるSphere-VIOを提案する。
Sphere-VIOは, 精度, 堅牢性, 効率, クロスカメラの汎用性とのトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2026-06-29T07:46:08Z) - Event-based SLAM Benchmark for High-Speed Maneuvers [68.148886127117]
イベントベースのカメラはバイオインスパイアされたセンサーで、独立して、マイクロ秒の解像度で明るさの変化に非同期に反応する。
既存のイベントベースのアプローチは、高速操作による動きのぼかしを緩和することに成功したが、多くの制限に悩まされた。
イベントベースの状態推定のためのベンチマークフレームワークであるEvSLAMを導入する。
論文 参考訳（メタデータ） (2026-04-27T04:36:41Z) - RAFT-MSF++: Temporal Geometry-Motion Feature Fusion for Self-Supervised Monocular Scene Flow [51.43025173196566]
単眼のシーンフロー推定は画像列から高密度な3次元動きを復元することを目的としている。
RAFT-MSF++は,時間的特徴を融合して深度とシーンフローを推定する自己教師型マルチフレームフレームワークである。
実験の結果、RAFT-MSF++はKITTI Scene Flowベンチマークで24.14%のSF-allを達成した。
論文 参考訳（メタデータ） (2026-04-21T11:32:49Z) - DAGE: Dual-Stream Architecture for Efficient and Fine-Grained Geometry Estimation [72.89376712495464]
DAGEは、グローバルコヒーレンスを細部から切り離すデュアルストリームトランスフォーマーである。
低解像度ストリームは、フレーム/言語的注意を交互に交互に付加したアグレッシブなダウンサンプリングフレームで動作し、ビュー一貫性表現を構築する。
高解像度のストリームは、フレーム毎に元のイメージを処理し、シャープな境界と小さな構造を保存する。
この設計は、解像度とクリップ長を独立にスケールし、2Kまでの入力をサポートし、実用的な推論コストを維持する。
論文 参考訳（メタデータ） (2026-03-04T05:29:29Z) - UCM: Unifying Camera Control and Memory with Time-aware Positional Encoding Warping for World Models [54.564740558030245]
UCMは、長期記憶と正確なカメラ制御をタイムアウェアな位置符号化変換機構を介して統合する新しいフレームワークである。
我々はまた、ポイントクラウドベースのレンダリングを利用したスケーラブルなデータキュレーション戦略を導入し、シーンの再考をシミュレートする。
論文 参考訳（メタデータ） (2026-02-26T12:54:46Z) - GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry [61.24189040578178]
そこで本研究では,注目機構を介し,潜在特徴表現から移動対象を直接推論する完全学習型アプローチを提案する。
我々の重要な洞察は、明示的な対応推定を回避し、代わりに、モデルが暗黙的にオブジェクトとカメラの動きを歪めることを学ぶことである。
提案手法は,最先端の動作セグメンテーション性能を高い効率で達成する。
論文 参考訳（メタデータ） (2026-02-25T11:36:33Z) - DVLO4D: Deep Visual-Lidar Odometry with Sparse Spatial-temporal Fusion [28.146811420532455]
DVLO4Dは,空間-時空間融合を利用して精度とロバスト性を向上する新しい視覚-LiDARオドメトリーフレームワークである。
提案手法は,82msの予測時間を持つ高効率で,実時間展開の可能性を秘めている。
論文 参考訳（メタデータ） (2025-09-07T11:43:11Z) - An End-to-End Framework for Video Multi-Person Pose Estimation [3.090225730976977]
本稿では,ビデオの終末ポーズ推定のための簡易かつ柔軟なフレームワークVEPEを提案する。
提案手法は, 2段階モデルより300%, 推測より300%優れていた。
論文 参考訳（メタデータ） (2025-09-01T03:34:57Z)
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。