論文の概要: VideoReloc: Long-Term Indoor Video Relocalization against a Kilobyte-Scale Semantic Scene Graph

• arxiv url: http://arxiv.org/abs/2609.21804v1
• Date: Fri, 18 Sep 2026 14:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.138885
• Title: VideoReloc: Long-Term Indoor Video Relocalization against a Kilobyte-Scale Semantic Scene Graph
• Title（参考訳）: VideoReloc: Kilobyteスケールのセマンティックなシーングラフに対する長時間の屋内ビデオ再ローカライズ
• Abstract要約: 長時間の屋内ビデオ再配置は、照明や家具の変更後の地図フレームの軌跡を推定する。 ビジュアルメソッドは外観に依存し、これらの変更によって信頼性が低下する。 適応的なビデオクリップは、物体と動きの基準が満たされるまで、空間的証拠を集めるためにオドメトリーを使用する。
• 参考スコア（独自算出の注目度）: 50.42050161026878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a compact semantic scene graph, long-term indoor video relocalization estimates a map-frame trajectory after lighting and furniture changes. Visual methods rely on appearance and become unreliable under these changes; localizing one frame at a time from object classes and geometry instead leaves sparse, ambiguous evidence. We introduce VideoReloc, whose adaptive clips use odometry to gather spatial evidence until object and motion criteria are met, adapting query length to the observed scene. Its run-level decision rechecks conflicting placements using evidence accumulated across connected clips, stabilizing the trajectory beyond adjacent-clip tracking. Hypothesis-first registration proposes poses from object triplets and verifies each using clip-wide object centers and box surfaces. Orientation-aware refinement uses box faces, gravity and wall directions to resolve ambiguity in camera orientation and refine the full pose. This reframes sparse-map relocalization as verification of spatially extended video queries, moving discriminative support from stored appearance to temporal context and permitting a 100 kB map of class-labelled boxes. On RIO10 and ReplicaCAD, the all-frame localization success rate at 1 m/10$^\circ$ is 73.5% and 61.1% under causal evaluation, rising to 90.6% and 74.8% with clip closure. The evaluated per-frame scene coordinate regressors reach up to 47.6% and 49.8%, respectively, with maps of 12.6-42 MB. Project page: https://videoreloc.github.io
• Abstract（参考訳）: コンパクトなセマンティック・シーングラフが与えられた場合、室内ビデオの長期再局在は照明や家具の変更後の地図フレームの軌跡を推定する。 視覚的手法は外観に依存し、これらの変化の下で信頼できないものとなり、オブジェクトクラスと幾何学から一度に1つのフレームをローカライズする代わりに、まばらで曖昧な証拠を残している。 適応的なビデオクリップは、オブジェクトと動きの基準が満たされるまで空間的証拠を収集し、観察されたシーンにクエリの長さを適応させる。 ランレベルの判断は、接続されたクリップに蓄積されたエビデンスを使って競合する配置を再確認し、隣接するクリップ追跡を越えて軌道を安定化する。 仮説第一登録は、オブジェクト三つ子からのポーズを提案し、クリップワイドオブジェクトセンターとボックスサーフェスを使用してそれぞれを検証する。 オリエンテーションを意識したリファインメントは、ボックスフェイス、重力、壁の方向を利用して、カメラの向きのあいまいさを解消し、フルポーズを洗練する。 これにより、空間的に拡張されたビデオクエリの検証としてスパースマップ再ローカライズを行い、格納された外観から時間的コンテキストへの識別サポートを移動させ、クラスラベル付きボックスの100kBマップを許可する。 RIO10とReplicaCADでは、全フレームのローカライゼーション成功率は1m/10$^\circ$が73.5%、61.1%であり、クリップの閉鎖で90.6%、74.8%まで上昇した。 評価されたフレーム単位の座標回帰器はそれぞれ47.6%と49.8%に達し、マップは12.6-42MBである。 プロジェクトページ: https://videoreloc.github.io

関連論文リスト

• RSVideo: Are Your Vision-Language Models Ready for Remote Sensing Videos? [24.603802871747092]
  本研究では,連続的リモートセンシング映像理解に基づく視覚言語モデル評価のための統一的評価設定を開発する。 フレーム間の質問時間領域を選択する小対象焦点のための強化学習フレームワークであるRSVideoを紹介する。 RSVideoはInternVL3.5-14Bで最大9.01%の改善を達成し、Qwen3.6-27Bで最高40.63%に達した。
  論文  参考訳（メタデータ） (2026-08-03T10:34:42Z)
• FORGE: Frame Orthogonality in Relevance Geometry for Long-Form Video Understanding [6.929741688224915]
  FORGEは、事前訓練されたマルチモーダル埋め込み空間上でクエリ条件付き幾何を誘導するモデルに依存しない手法である。 16,32,64フレームの予算での Video-MME と LongVideoBench の実験は、ForGE が最強のトレーニングフリーベースラインよりも11.0-15.3 ポイント向上したことを示している。 その結果,埋め込み空間とクエリの高次元構造との整合性は,推論時間による映像理解に有望な方向であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-28T04:09:49Z)
• Frames2LoRA: Parametric Video Internalization for Vision-Language Models [52.46510577817688]
  Frames2LoRAはパラメトリックビデオ内部化の手法である。 知覚者ハイパーネットワークは、層ごとに生成された中間表現を読み出し、凍結されたVLMがビデオをエンコードする。 ローランド適応 (LoRA) アダプタを1つのフォワードパスで生成する。
  論文  参考訳（メタデータ） (2026-06-03T02:07:35Z)
• PointOdyssey: A Large-Scale Synthetic Dataset for Long-Term Point Tracking [90.29143475328506]
  本稿では,大規模合成データセットとデータ生成フレームワークであるPointOdysseyを紹介する。 私たちのゴールは、自然主義的な動きを持つ長いビデオに重点を置いて、最先端の技術を推し進めることです。 実世界のモーションキャプチャーデータを用いて変形可能なキャラクタをアニメーション化し、モーションキャプチャー環境に合わせて3Dシーンを構築し、リアルビデオ上で構造から抽出したトラジェクトリを用いてカメラ視点を描画する。
  論文  参考訳（メタデータ） (2023-07-27T17:58:11Z)
• Lazy Visual Localization via Motion Averaging [89.8709956317671]
  本研究では,データベースからシーンを再構築することなく,高精度なローカライゼーションを実現することができることを示す。 実験の結果、我々の視覚的ローカライゼーションの提案であるLazyLocは、最先端の構造に基づく手法に対して同等のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T13:40:45Z)
• View-Invariant Localization using Semantic Objects in Changing Environments [42.552452681642364]
  本稿では,参照マップにおける車両のリアルタイムな位置決めと移動追跡のための新しいフレームワークを提案する。 中心となる考え方は、車両が観測した意味オブジェクトをマッピングし、対応するオブジェクトに参照マップに登録することである。
  論文  参考訳（メタデータ） (2022-09-28T21:26:38Z)
• Correspondence Matters for Video Referring Expression Comprehension [64.60046797561455]
  ビデオ参照表現(REC)は、文章に記述された参照オブジェクトをビデオフレーム内の視覚領域にローカライズすることを目的としている。 既存の手法では,1)ビデオフレーム間の非一貫性な局所化結果,2)参照オブジェクトとコンテキストオブジェクトの混同という2つの問題に悩まされている。 本稿では、フレーム間およびクロスモーダルの両方で密接な関連性を明確に強化する新しいデュアル対応ネットワーク(DCNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-21T10:31:39Z)
• Spatiotemporal Contrastive Video Representation Learning [87.56145031149869]
  ラベルのないビデオから視覚的表現を学習するための,自己指導型コントラスト映像表現学習(CVRL)法を提案する。 我々の表現は、コントラスト時間的損失を用いて学習され、同じ短いビデオから2つの強化されたクリップが埋め込み空間にまとめられる。 本研究では,ビデオ自己教師型学習におけるデータ向上の要因について検討し,空間的情報と時間的情報の両方が重要であることを明らかにする。
  論文  参考訳（メタデータ） (2020-08-09T19:58:45Z)

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。