論文の概要: When Do Learned Priors Help Visual Inertial Estimation? A Controlled Study of Prior Integration, Calibration, Initialization, and Backend Consistency

• arxiv url: http://arxiv.org/abs/2609.13777v1
• Date: Sat, 12 Sep 2026 07:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.548426
• Title: When Do Learned Priors Help Visual Inertial Estimation? A Controlled Study of Prior Integration, Calibration, Initialization, and Backend Consistency
• Title（参考訳）: 学習前者はいつ視覚慣性推定に役立つか? 事前統合, 校正, 初期化, 背景整合性の制御された研究
• Abstract要約: 学習支援型視覚-慣性推定のためのフレームワークを提案する。 局所的な動きの整合性,大域的軌道の精度,物理状態の正当性,数値的整合性の4つのエビデンス層を評価した。 その結果,融合性能だけでは学習前の価値を確立できないことがわかった。
• 参考スコア（独自算出の注目度）: 27.790263172718635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned components are increasingly integrated into geometric visual--inertial estimators to provide motion, depth, bias, uncertainty, or confidence cues. Yet it remains unclear whether gains arise from useful learned priors or from changes in the backend, calibration, initialization, temporal association, or evaluation gauge. We present a controlled framework for learning-augmented visual--inertial estimation that separates fusion gain from the incremental value of a learned prior and evaluates four evidence layers: local motion consistency, global trajectory accuracy, physical-state correctness, and numerical consistency. We instantiate the framework with a MonoViT-based monocular motion prior added as a local relative-motion factor to an unchanged VINS backend. We compare Original VINS and learned-prior VINS under matched sensor streams, timestamps, initialization, frontend/backend settings, and camera--IMU extrinsics, while probing calibration, initialization, state coupling, scale, bundle adjustment, and loop closure. On KITTI, with fixed reference extrinsics, translation APE RMSE is 31.4 m for Original VINS and 31.8 m with the learned prior. Across four recordings, the prior changes mean APE by only -0.2%, while a five-times-higher weight worsens it by 8.2%. Online extrinsic updates increase mean APE by 45.7% and 52.1%, respectively, while mean RPE changes by less than 2%. These results show that fusion performance alone cannot establish the value of learned priors. Reliable evaluation requires same-backend controls and joint analysis of prior compatibility, calibration, initialization, global drift, physical-state error, and backend consistency.
• Abstract（参考訳）: 学習されたコンポーネントは、動き、深さ、バイアス、不確実性、あるいは信頼の手がかりを提供するために、幾何学的視覚-慣性推定器にますます統合されている。 しかし、有用な学習前の成果が、バックエンド、キャリブレーション、初期化、時間的関連性、評価ゲージの変化によってもたらされるかどうかは不明だ。 本研究では,学習前の段階的な値から融合ゲインを分離し,局所的な動きの整合性,大域的軌道精度,物理状態の正当性,数値的整合性という4つのエビデンス層を評価する。 我々は、変化のないVINSバックエンドに局所的な相対運動因子として、事前にMonoViTベースのモノクロモーションを付加して、フレームワークをインスタンス化する。 我々は,センサストリーム,タイムスタンプ,初期化,フロントエンド/バックエンド設定,カメラ-IMU extrinsics,キャリブレーション,初期化,状態結合,スケール,バンドル調整,ループクロージャといった条件下で,オリジナルVINSと学習優先VINSを比較した。 KITTIでは、固定された基準外接点を持つ APE RMSE は、元の VINS では 31.4 m、学習前のものは 31.8 m である。 4回の録音で、以前の変更ではAPEは0.2%しか増加せず、5倍の重みで8.2%悪化した。 オンラインの外部アップデートは、それぞれAPEが45.7%、52.1%増加し、RPEが2%以下になった。 これらの結果は,融合性能だけでは学習前の価値を確立できないことを示している。 信頼性評価には、事前の互換性、キャリブレーション、初期化、グローバルドリフト、物理状態エラー、バックエンドの整合性に関する、同じバックエンド制御と共同分析が必要である。

関連論文リスト

• MAC-I$^2$: Learned Metrics-Aware Covariance for Robust Visual-Inertial Fusion in Initialization and Calibration [29.903700842398717]
  Visual-Inertial (VI) 融合は、正確で堅牢な状態推定の基礎である。 MAC-I$2$は、両方のモダリティに対する学習された計量-認識共分散を通して、ロバストVI融合を実現する。 EuRoC と VBR の実験では、MAC-I$2$ が既存の手法よりかなり優れていた。
  論文  参考訳（メタデータ） (2026-09-07T06:58:57Z)
• Initialization-Free Bundle Adjustment Revisited: A Controlled Experimental Study [55.50399455527231]
  初期化自由バンドル調整(InitFree BA)は、画像観察から直接カメラポーズとシーン構造を復元することを目的としている。 オブジェクト空間誤差(OSE)の定式化と可変射影(VarPro)に基づく最近の手法は、ランダムカメラ構成からの最適化挙動を奨励している。 我々は,既存のOSE定式化のC++実装とBlenderベースのデータセット生成器を組み合わせた統一評価フレームワークにより,InitFree BAを実験的に再検討する。
  論文  参考訳（メタデータ） (2026-08-18T17:23:06Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• CoSA: Correlation-Guided Change Attention with Learnable Residual Gating for Remote Sensing Change Detection [1.9364098361060789]
  我々は,軽量デコーダサイドリファインメントモジュールであるContext Smpling Attention (CoSA)を提案する。 CoSAは、適応的変化認識特徴強調のための制御信号として、バイテンポラル特徴相関を明示的に活用する。 4つのベンチマークデータセットの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-06-20T07:56:09Z)
• ContextShift: A Controlled Benchmark for Context Dependence in Object Detection [1.8320252176005443]
  我々は、オブジェクトの外観を保ちながら、オブジェクト-コンテキスト関係を操作するベンチマークであるContextShiftを紹介する。 偽陰性は227%まで増加し,予測量は44%まで減少する。 拡張されたすべての変種は、オリジナルの画像と操作されたテストイメージの両方でデータセットのみのベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-06-08T13:48:16Z)
• KPGrasp: Scalable Keypoint Flow Matching for Dexterous Grasp Generation [23.028638559051597]
  KPGraspは,大規模データから事前の詳細な把握を学習するフローマッチングフレームワークである。 20の多様なオブジェクトに対する実験は、パイプラインを現実世界のセットアップでデプロイできることを示しています。
  論文  参考訳（メタデータ） (2026-06-08T10:19:29Z)
• Unveiling the Entropy Dynamics of Chain-of-Thought Reasoning [81.57028614960576]
  1)信頼性の高い -- 信頼性の高い -- 信頼性の高い領域での回答は高度に正確で安定したものになり、2)高冗長性 -- モデルは正しい回答に達した後ずっと経ってから不必要なトークンを生成する。 これらの特性はより効率的で信頼性の高い推論戦略を解き放つ。
  論文  参考訳（メタデータ） (2026-06-01T10:11:14Z)
• Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
  DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。 Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:09:55Z)
• Temperature Scaling Attack Disrupting Model Confidence in Federated Learning [4.863985119779627]
  精度を保ちながらキャリブレーションを低下させる訓練時間攻撃である温度スケーリング攻撃(TSA)を提案する。 その結果, 校正整合性は, 連合学習における重要な攻撃面として確立された。
  論文  参考訳（メタデータ） (2026-02-06T12:01:54Z)
• PAID: Pairwise Angular-Invariant Decomposition for Continual Test-Time Adaptation [70.98107766265636]
  本稿では,事前学習した重みの幾何学的特性を出発点として,3つの重要な成分(等級,絶対角,対角構造)を体系的に解析する。 両角構造は多種多様なドメインにわたって安定であり, ドメイン不変な意味情報を符号化し, 適応中に保存すべきことを示唆する。
  論文  参考訳（メタデータ） (2025-06-03T05:18:15Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。