論文の概要: DAVIO: Dense Monocular-Inertial SLAM with Feed-Forward Initialization and Pose-Conditioned Mapping

• arxiv url: http://arxiv.org/abs/2609.27702v1
• Date: Wed, 23 Sep 2026 11:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.999468
• Title: DAVIO: Dense Monocular-Inertial SLAM with Feed-Forward Initialization and Pose-Conditioned Mapping
• Title（参考訳）: DAVIO:フィードフォワード初期化とpose-conditioned Mappingを併用したDense Monocular-Inertial SLAM
• Abstract要約: 起動とマッピングの両方に単一のマルチビュー深度モデルであるDepth Anything3を使用するDAVIOを提案する。 EuRoCでは、DAVIOがかなり早く始まり、ローカライゼーションエラーを低減し、SOTAフィードフォワードマッパーよりも正確にマップする。 リアルタイムの高密度メトリックSLAMシステムであるDAVIOのコードをコミュニティにリリースする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A camera and an IMU are the minimal sensor setup for metric localization and dense mapping, yet classical visual--inertial filters must wait for parallax before they start and then retain only sparse landmarks. Feed-forward geometry models, in contrast, predict dense structure from a few images but provide neither metric scale nor gravity. We present DAVIO, which uses a single multi-view depth model, Depth Anything~3, for both start-up and mapping. At start-up, a five-image window and preintegrated IMU measurements form a feature-free linear system. Its robust, conditioning-checked solution bootstraps a VIO filter through buffered replay. During tracking, the filter's metric poses condition the depth model. Residual scale is corrected only along viewing rays, which preserves the metric camera baselines, and a gravity-preserving submap graph with drift-gated revisits refines the map. On EuRoC, DAVIO starts markedly earlier, reduces the localization error, and maps more accurately than SOTA feed-forward mappers given identical poses. On building-scale ORI sequences, DAVIO is on bar or better than SOTA mappers on the same odometry, and degrades far less when GT poses are replaced by real odometry. We release the code of DAVIO, a real-time dense metric SLAM system, to the community.
• Abstract（参考訳）: カメラとIMUは、メカニカルローカライゼーションと高密度マッピングのための最小限のセンサー設定であるが、古典的なビジュアル慣性フィルタは、開始前にパララックスを待たなければならない。 フィードフォワード幾何学モデルは、少数の画像から密度の高い構造を予測するが、計量スケールも重力も提供しない。 スタートアップとマッピングの両方に単一のマルチビュー深度モデルDepth Anything~3を使用するDAVIOを提案する。 起動時、五画像ウィンドウと事前積分IMU測定は、特徴のない線形システムを形成する。 その堅牢で条件チェックされたソリューションは、バッファされたリプレイを通じてVIOフィルタをブートストラップする。 追跡中、フィルタのメートル法は深さモデルに条件を付ける。 残留スケールは、メートル法カメラの基準線を保存する観測線のみに修正され、ドリフトゲートされたリビジョン付き重力保存サブマップが地図を洗練する。 EuRoCでは、DAVIOが顕著に早く始まり、ローカライゼーションエラーを低減し、同じポーズのSOTAフィードフォワードマッパーよりも正確にマップする。 ビルディングスケールのORI配列では、DAVIOは同じオドメトリー上のSOTAマッパーよりもバー上かそれ以上であり、GTのポーズを実際のオドメトリーに置き換えると、はるかに低下する。 リアルタイムの高密度メトリックSLAMシステムであるDAVIOのコードをコミュニティにリリースする。

関連論文リスト

• Visual Relocalization from Sparse Views in Aliased and Low-Texture Environments via Novel View Synthesis [17.82023714307905]
  本稿では,古典的対応に基づくパイプラインから離れる視覚的再ローカライズ手法を提案する。 私たちの重要な貢献は、測光と幾何学的損失を組み合わせた幾何学的学習戦略です。 この共同最適化により3DGSモデルが生成され,その基礎となるシーン形状に適合することを示す。
  論文  参考訳（メタデータ） (2026-07-24T09:46:07Z)
• OrthoTrack: Continuous 6-DoF UAV Trajectory Estimation Anchored in Public Orthophotos [76.81099730054356]
  トレーニング不要なOrthoTrackを提案する。このシステムは6-DoFトラジェクトリの連続を,事前の地図として利用可能なオプティカルフォトとサーフェスモデルのみを用いて推定する。 movingDroneと現実世界のベンチマークでは、OrthoTrackは1つのGPUでリアルタイムに実行される。オラクルのスケールとアライメントを受ける場合でも、すべてのベースラインを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2026-06-24T00:05:01Z)
• RoMeO: Robust Metric Visual Odometry [11.381243799745729]
  ビジュアルオドメトリー(VO)は、視覚入力からカメラのポーズを推定することを目的としている。 既存のアプローチでは、この困難なシナリオ下で堅牢性が欠如し、目に見えないデータ(特に屋外)に一般化できない 本稿では,事前学習した深度モデルから,これらの問題を解決する新しい手法であるRoMeO(Roust Metric Visual Odometry)を提案する。
  論文  参考訳（メタデータ） (2024-12-16T08:08:35Z)
• MGS-SLAM: Monocular Sparse Tracking and Gaussian Mapping with Depth Smooth Regularization [29.713650915551632]
  本稿では,ガウススプラッティングに基づく濃密な視覚的局所化とマッピングのための新しいフレームワークを紹介する。 疎視度追跡と3次元ガウススプラッティングのシーン表現を初めて共同で最適化する。 ポーズ推定の精度は既存の手法や最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-05-10T04:42:21Z)
• Metric3D: Towards Zero-shot Metric 3D Prediction from A Single Image [85.91935485902708]
  ゼロショット単視距離深度モデルの鍵は、大規模データトレーニングと様々なカメラモデルからの距離あいまいさの解消の組合せにあることを示す。 本稿では,あいまいさ問題に明示的に対処し,既存の単分子モデルにシームレスに接続可能な標準カメラ空間変換モジュールを提案する。 本手法は, ランダムに収集したインターネット画像上での計測3次元構造の正確な復元を可能にする。
  論文  参考訳（メタデータ） (2023-07-20T16:14:23Z)
• DM-VIO: Delayed Marginalization Visual-Inertial Odometry [62.746533939737446]
  本稿では,遅延残差化とポーズグラフバンドル調整に基づく視覚慣性システムDM-VIOを提案する。 我々は,EuRoC,TUM-VI,および4Seasonsデータセットを用いて,空飛ぶドローン,大規模ハンドヘルド,自動車シナリオからなるシステムの評価を行った。
  論文  参考訳（メタデータ） (2022-01-11T18:30:37Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)

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。