論文の概要: Vision Foundation Models with Synthetic-Only Training for Monocular Spacecraft Pose Estimation

• arxiv url: http://arxiv.org/abs/2609.26561v1
• Date: Tue, 22 Sep 2026 15:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.720534
• Title: Vision Foundation Models with Synthetic-Only Training for Monocular Spacecraft Pose Estimation
• Title（参考訳）: 単分子宇宙空間推定のための合成オンリートレーニングを用いた視覚基礎モデル
• Abstract要約: ポーズ推定精度は, まだ飽和が観察されていない3億から8億4000万のパラメータに改善した。 また,Jetson Orin NX 16GB上での840Mモデルの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an improvement on previous spacecraft pose estimation architectures that results in the lowest published mean rotation errors we know of on the SPEED+ lightbox and sunlamp test sets for a known, non-cooperative spacecraft. By using a previously established heatmap-based pose estimation architecture and adapting a large self-supervised ViT foundation model (DINOv3) in place of the smaller convolutional and ViT encoders of previous work, we show that pose estimation accuracy improves from 300M to 840M parameters with no saturation yet observed. We also evaluate our 840M model on a Jetson Orin NX 16GB, measuring single-pass network inference at 133.8 ms per crop with a board draw of 32.0 W. These measurements demonstrate embedded inference feasibility on a processor family with orbital flight heritage. Our resulting model outperforms previous models across lightbox and sunlamp domains while training only on synthetic data. Our best model, using DINOv3 840M adapted with LoRA as the encoder (rank 64, three-seed ensemble with four-rotation test-time augmentation), results in $1.56^\circ$ mean rotation error on sunlamp and $1.17^\circ$ on lightbox, compared to the previous best mean rotation errors we know of on these test sets, $2.66^\circ$ and $1.75^\circ$ by EagerNet.
• Abstract（参考訳）: 我々は、SPEED+ライトボックスとサンランプテストセットにおいて、既知の非協調宇宙船の最も低い平均回転誤差をもたらす、以前の宇宙船のポーズ推定アーキテクチャの改善について述べる。 これまでに確立されたヒートマップに基づくポーズ推定アーキテクチャを用いて,従来よりも小さな畳み込みとViTエンコーダの代わりに,大規模な自己教師型ViT基盤モデル(DINOv3)を適用することにより,ポーズ推定精度が3億から8億4千万のパラメータに改善され,飽和が観測されていないことを示す。 また、Jetson Orin NX 16GB上での840Mモデルの評価を行い、軌道飛行履歴を持つプロセッサファミリに埋め込まれた推定可能性を示した。 得られたモデルは、合成データのみをトレーニングしながら、ライトボックスドメインとサンランプドメインで過去のモデルより優れています。 我々の最良のモデルであるDINOv3 840MをエンコーダとしてLoRAに適合させ(ランク64、3列のアンサンブルと4回転試験時間拡張)、その結果、サンランプの平均回転誤差が1.56^\circ$、ライトボックスの平均回転誤差が1.17^\circ$となり、これらのテストセットで私たちが知っている平均回転誤差が2.66^\circ$と1.75^\circ$であるのに対し、EagerNetは1.75^\circ$となる。

関連論文リスト

• DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
  DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。 ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。 また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
  論文  参考訳（メタデータ） (2026-07-19T06:54:52Z)
• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• DroneKey++: A Size Prior-free Method and New Benchmark for Drone 3D Pose Estimation from Sequential Images [1.7188280334580195]
  DroneKey++は、キーポイント検出、ドローン分類、および3Dポーズ推定を共同で実行する、事前フリーのフレームワークである。 データセットの制限に対処するため、6DroneSynという大規模な合成ベンチマークを構築し、7つのドローンモデルと88の屋外背景を50K以上の画像でカバーする。 実験の結果、DroneKey++はMAE 17.34 deg、MedAE 17.1 degはローテーション、MAE 0.135 m、MedAE 0.242 mが翻訳された。
  論文  参考訳（メタデータ） (2026-02-05T21:41:20Z)
• PriorFormer: A Transformer for Real-time Monocular 3D Human Pose Estimation with Versatile Geometric Priors [1.4932318540666545]
  本稿では,人間の2次元関節位置の短い列を1台のカメラで3次元ポーズにマッピングする軽量トランスフォーマーベースリフト機を提案する。 提案モデルでは,セグメント長やカメラ内在性などの入力幾何学的先行を考慮し,キャリブレーションとアンキャリブレーションの両方で動作させるように設計されている。
  論文  参考訳（メタデータ） (2025-08-21T08:16:14Z)
• Goedel-Prover-V2: Scaling Formal Theorem Proving with Scaffolded Data Synthesis and Self-Correction [95.91743732150233]
  一連のオープンソースの言語モデルであるGoedel-Prover-V2は、自動定理の新たな最先端を証明した。 我々は、より複雑な定理をマスターするためにモデルを訓練することの困難さを増す合成タスクを生成する。 Goedel-Prover-V2-32Bは、標準モードのpass@32でMiniF2Fの88.1%、自己補正モードの90.4%を達成する。
  論文  参考訳（メタデータ） (2025-08-05T16:28:22Z)
• Embedding Ordinality to Binary Loss Function for Improving Solar Flare Forecasting [1.0225653612678713]
  太陽フレア予測への応用を示す二元損失関数にオーディナリティをエンコードする新しい手法を提案する。 我々は、太陽円盤全体にわたる各ARのフレア予測を縦方向の制限なく可能とし、太陽フレア予測を強化した。
  論文  参考訳（メタデータ） (2024-08-21T16:42:58Z)
• An Experimental Study on Exploring Strong Lightweight Vision Transformers via Masked Image Modeling Pre-Training [51.622652121580394]
  Masked Image Modeling (MIM) Pre-training for Large-scale Vision Transformer (ViTs) は、学習した自己教師型ViT機能に加えて、下流での有望なパフォーマンスを実現する。 本稿では,テキストテキストレメリーで軽量なViTの微調整性能が,この事前学習パラダイムの恩恵を受けるかどうかを問う。 バニラ/階層設計(5.7M$/6.5M$)による純軽量ViTの蒸留による事前トレーニングは、ImageNet-1で79.4%$/78.9%の精度で達成できる。
  論文  参考訳（メタデータ） (2024-04-18T14:14:44Z)
• Efficient Deep Learning Models for Privacy-preserving People Counting on Low-resolution Infrared Arrays [11.363207467478134]
  赤外線(IR)アレイセンサーは低コストで省エネでプライバシー保護のソリューションを提供する。 これまでの研究は、ディープラーニング(DL)がこのタスクにおいて優れたパフォーマンスが得られることを示した。 商業用8x8アレイから収集したIR画像からなる新しいデータセット上で,6種類のDLアーキテクチャを比較した。
  論文  参考訳（メタデータ） (2023-04-12T15:29:28Z)
• Exploring Sparse Expert Models and Beyond [51.90860155810848]
  Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。 本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。 この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-31T16:12:44Z)

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。