論文の概要: SEAM: Submap-Anchored Evidence for Lifelong LiDAR Mapping under Trajectory Deformation

• arxiv url: http://arxiv.org/abs/2609.18819v1
• Date: Wed, 16 Sep 2026 15:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.869701
• Title: SEAM: Submap-Anchored Evidence for Lifelong LiDAR Mapping under Trajectory Deformation
• Title（参考訳）: SEAM: 軌道変形下における生涯LiDARマッピングのサブマップによる証拠
• Abstract要約: SEAMはセッション全体にまたがる1つのアンカーに頼る代わりに、サブマップレベルのアンカーに最適化された軌道に基づいてエビデンスを生成する。 SEAMは、DOPベースの信頼度測定を用いて、幾何学的に信頼性の低いセッション間ループエッジを抑圧する。 方向対応エビデンスにより、動的対象と環境変化をより正確に分離する。
• 参考スコア（独自算出の注目度）: 7.648471389907251
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We propose SEAM, a LiDAR-based lifelong mapping framework. Instead of relying on a single anchor spanning the entire session, SEAM generates evidence based on a trajectory optimized with submap-level anchors, and performs dynamic object removal and change detection. Through submap-level reprojection, the generated evidence remains usable even if the trajectory is subsequently modified by a new session, eliminating the need to recompute the entire process from scratch. SEAM suppresses geometrically unreliable inter-session loop edges using a DOP-based confidence measure. Suppressing unreliable loop edges prevents alignment errors. SEAM also uses a directional voxel-wise evidence model. The model accounts for occupancy patterns that vary with ray direction. Direction-aware evidence separates dynamic objects from environmental changes more precisely. Experiments on a real construction-site dataset and a long-term multi-session dataset show that SEAM achieves higher accuracy and faster processing than existing methods.
• Abstract（参考訳）: We propose SEAM, a LiDAR based lifelong mapping framework。 SEAMはセッション全体にまたがる単一のアンカーに頼る代わりに、サブマップレベルのアンカーに最適化された軌道に基づいてエビデンスを生成し、動的オブジェクトの削除と変更検出を行う。 サブマップレベルの再射を通じて、新しいセッションによって軌道が変更されても、生成されたエビデンスは引き続き使用可能であり、プロセス全体をスクラッチから再計算する必要がなくなる。 SEAMは、DOPベースの信頼度測定を用いて、幾何学的に信頼性の低いセッション間ループエッジを抑圧する。 信頼できないループエッジの抑制はアライメントエラーを防ぐ。 SEAMはまた、指向性ボクセルワイドエビデンスモデルを使用している。 このモデルは、光線方向によって異なる占有パターンを考慮に入れている。 方向対応エビデンスにより、動的対象と環境変化をより正確に分離する。 実際の構築現場データセットと長期マルチセッションデータセットの実験により、SEAMは既存の手法よりも高精度で高速な処理を実現することが示された。

関連論文リスト

• MLLM-Guided Semantic Correction for Text-to-Video Generation [66.7723669725808]
  マルチモーダルな大規模言語モデルフィードバックを統合した,トレーニングフリーで解釈可能な中間世代補正フレームワークを提案する。 セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) とセマンティック・アセスメント・アシスタント (Semantic Modification Assistant) という,セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) の2つの重要なモジュールを提案する。 本手法は, モデルパラメータを変更することなく, セマンティックアライメント, 視覚的忠実度, 時間的一貫性を改善する。
  論文  参考訳（メタデータ） (2026-08-17T12:54:10Z)
• No Adaptation Without Observation: Observability-Constrained Test-Time Prompt Tuning for LiDAR Semantic Segmentation [12.572951926839309]
  テスト時間適応更新モデルパラメータを擬似ラベル監視を用いてオンライン化する。 グローバルな共有パラメータの均一な更新は不安定な勾配を注入し、適応を不安定にする。 本稿では,LiDARセマンティックセグメンテーションのための幾何制約付きテスト時間プロンプトチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-29T21:40:10Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• LEAR: Learning Edge-Aware Representations for Event-to-LiDAR Localization [15.308350522323588]
  LEARは、エッジ構造と高密度事象深度流れ場を共同で推定し、知覚とモダリティの分断を橋渡しする。 いくつかの人気があり、挑戦的なデータセットにおいて、LEARは最高の先行メソッドよりも優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-03-02T13:18:25Z)
• RAID: Retrieval-Augmented Anomaly Detection [67.48358323718817]
  RAIDは、ノイズ耐性の異常検出と局所化のために設計された検索拡張UADフレームワークである。 RAIDは階層ベクトルデータベースからクラス、セマンティック、インスタンスレベルの表現を取得する。 RAIDはMVTec、VisA、MPDD、BTADベンチマークのフルショット、少数ショット、マルチデータセット設定で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-23T08:54:27Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)
• Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and Novel Outliers Detection [1.0334138809056097]
  高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。 本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。 高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
  論文  参考訳（メタデータ） (2024-03-05T16:53:24Z)
• Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
  我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。 形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
  論文  参考訳（メタデータ） (2022-08-01T17:45:36Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。