論文の概要: Robust Structureless Monocular Visual Inertial Initialization Exploiting Line Features and Vanishing Points

• arxiv url: http://arxiv.org/abs/2609.21186v1
• Date: Fri, 18 Sep 2026 01:11:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.807686
• Title: Robust Structureless Monocular Visual Inertial Initialization Exploiting Line Features and Vanishing Points
• Title（参考訳）: ライン特徴と消滅点を出力するロバストな構造のない単眼視覚慣性初期化
• Abstract要約: 構造のない単分子VIOイニシャライザであるSLIM-initを提案する。 明快な3Dランドマークを復元することなく、トラックされた2Dラインの特徴から幾何的制約を利用する。 公開ベンチマークの実験とカスタムデジェネレーション・モーション・シーケンスの挑戦により、精度とロバスト性が改善された。
• 参考スコア（独自算出の注目度）: 7.082922983499475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate initialization is essential for reliable visual-inertial odometry (VIO), but it is often ill-conditioned under degenerate motions. Existing methods typically require restrictive excitation motions to ensure sufficient observability or rely on computationally expensive 3D structure reconstruction, limiting efficient and practical deployment. To address these limitations, we propose SLIM-init, a structureless monocular VIO initializer that directly exploits geometric constraints from tracked 2D line features without explicit 3D landmark reconstruction. Specifically, SLIM-init leverages line-derived vanishing points (VPs) as translation-invariant orientation cues to provide robust rotation-only constraints under degenerate scenarios such as low-parallax or translation-dominant motions. It further incorporates a line epipolar residual to constrain translation and a line-normal projection residual to improve the conditioning of linear alignment, enhancing the accuracy and robustness of initial state estimation. Extensive experiments on a public benchmark and challenging custom degenerate-motion sequences demonstrate improved accuracy and robustness over state-of-the-art initialization methods. The source code is available at: https://github.com/cjunwan/SLIM-init.
• Abstract（参考訳）: 正確な初期化は、信頼性のある視覚慣性眼振計(VIO)に必須であるが、しばしば退化運動下では不調である。 既存の方法では、十分な可観測性を確保するために制限的な励起運動を必要とするか、計算コストのかかる3D構造再構成に依存し、効率的で実用的な展開を制限している。 これらの制約に対処するため, SLIM-init という構造のない単分子 VIO 初期化器を提案する。 具体的には、SLIM-initは、低パララックスや翻訳優位な動きのような退化シナリオの下で、ライン由来の消滅点(VP)を変換不変な向きのキューとして利用し、ロバストな回転のみの制約を与える。 さらに、線形アライメントの条件付けを改善し、初期状態推定の精度と堅牢性を高めるために、制約翻訳に対する線エピポーラ残差と直線正規射影残差を組み込む。 公開ベンチマークによる大規模な実験とカスタムデジェネレーション・モーション・シーケンスの挑戦により、最先端の初期化法よりも精度と堅牢性が向上した。 ソースコードは、https://github.com/cjunwan/SLIM-init.comで入手できる。

関連論文リスト

• PRISM3D: Probabilistic Refinement and Robust Initialization for Physically Consistent Scene Modeling under Extreme Motion Blur [9.855875137621622]
  近赤外画像からの視覚的3次元シーン再構成の逆問題に対処する。 既存のアプローチでは、非現実的なシャープイメージの監視に頼ることで、このボトルネックを回避するのが一般的である。 PRISM3Dは、高度に劣化した入力から直接堅牢な再構築を可能にする統一的なフレームワークである。
  論文  参考訳（メタデータ） (2026-07-04T12:45:11Z)
• Robust 3D Alignment of Generative Reconstructions via Partial Monocular Observations [46.983222121901235]
  生成から部分的単分子観測アライメントは、コンピュータビジョンにおける重要な課題であるが、未発見の課題である。 本稿では,3次元類似度変換によって生成した3次元前処理を基盤とした,学習不要かつ解釈可能な幾何学的アライメントフレームワークを提案する。 実験により,本手法は,古典的幾何学的パイプラインと最先端の学習ベースラインの両方を著しく上回り,安定かつ正確な登録を実現することが示された。
  論文  参考訳（メタデータ） (2026-07-01T06:30:47Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• POPL-KF: A Pose-Only Geometric Representation-Based Kalman Filter for Point-Line-Based Visual-Inertial Odometry [2.222792685950058]
  我々は,PPL-KF を開発した。Kalman フィルタを用いた VIO システムで,点特徴と線特徴の両方に対してポーズのみの幾何学的表現を用いる。 POPL-KFは、測定方程式から点特徴座標と線特徴座標を明示的に除去することで線形化誤差を緩和する。 ライン特徴量を改善するために,画像グリッドのセグメンテーションと双方向光フローの整合性に基づくライン特徴フィルタを提案する。
  論文  参考訳（メタデータ） (2026-02-06T06:45:39Z)
• From Tokens to Nodes: Semantic-Guided Motion Control for Dynamic 3D Gaussian Splatting [26.57713792657793]
  制御密度と動きの複雑さを一致させる動き適応フレームワークを提案する。 既存の最先端手法に比べて,復元品質と効率が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-10-03T05:33:58Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• Improving Monocular Visual-Inertial Initialization with Structureless Visual-Inertial Bundle Adjustment [0.36868085124383626]
  そこで我々は, 従来の構造のない解をさらに洗練するために, 構造のない視覚-慣性バンドルの調整を提案する。 実世界のデータセットを用いた実験により,実時間性能を維持しつつ,VIOの初期化精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-02-23T14:55:40Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)

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。