論文の概要: ReLoc: Rethinking Scene Coordinate Regression Architecture for Robust Outdoor LiDAR-based Localization

• arxiv url: http://arxiv.org/abs/2609.33344v1
• Date: Sun, 27 Sep 2026 08:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:55:29.634131
• Title: ReLoc: Rethinking Scene Coordinate Regression Architecture for Robust Outdoor LiDAR-based Localization
• Title（参考訳）: ReLoc:ロバストな屋外LiDARに基づくローカライゼーションのためのシーンコーディネート回帰アーキテクチャ再考
• Abstract要約: 改良されたシーンコーディネート回帰アーキテクチャであるReLocを紹介します。 ノイズの多い局所的特徴の影響を軽減するために,注意に基づく局所的特徴強調モジュールを導入する。 提案手法は,従来のSCR手法よりもリアルタイムの推論性能を維持しつつ,最先端の精度を実現する。
• 参考スコア（独自算出の注目度）: 7.710436567988379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scene Coordinate Regression (SCR) has recently emerged as a promising approach for LiDAR-based localization, achieving accurate localization without requiring an explicit 3D map. Despite their effectiveness, existing SCR methods rely on scene classification-based global embedding that struggles to provide fine-grained discrimination among nearby locations. Moreover, their reliance on uniform sampling of local features during training assigns equal importance to all points, thereby inadvertently propagating features from dynamic objects or unstable regions and potentially degrading training stability. In this paper, we present ReLoc, a revamped SCR architecture that can effectively address these limitations. First, we redesign the global embedding module by combining learnable context tokens with a feature aggregator to capture richer and more discriminative scene context. Second, we introduce an attention-based local feature enhancement module to mitigate the impact of noisy local features while encouraging context-consistent structures, yielding more robust local feature representations. Experimental results on two large-scale outdoor datasets demonstrate that our approach achieves state-of-the-art accuracy over previous SCR-based methods while maintaining real-time inference performance.
• Abstract（参考訳）: SCR(Scene Coordinate Regression)は、最近、LiDARベースのローカライゼーションのための有望なアプローチとして現れ、明示的な3Dマップを必要としない正確なローカライゼーションを実現している。 その効果にもかかわらず、既存のSCR手法はシーン分類に基づくグローバルな埋め込みに依存しており、近隣の場所間できめ細かな識別に苦慮している。 さらに、訓練中の局所的特徴の均一サンプリングへの依存は、全ての点に等しく重要度を割り当て、動的対象や不安定な領域からの特徴を不注意に伝播させ、トレーニング安定性を低下させる可能性がある。 本稿では,これらの制約に効果的に対処できる改良されたSCRアーキテクチャであるReLocを提案する。 まず,学習可能なコンテキストトークンと特徴集約器を組み合わせることで,よりリッチで差別的なシーンコンテキストをキャプチャし,グローバルな埋め込みモジュールを再設計する。 第二に、注目に基づく局所特徴強調モジュールを導入し、ノイズの多い局所特徴の影響を軽減するとともに、文脈整合構造を奨励し、より堅牢な局所特徴表現をもたらす。 2つの大規模屋外データセットによる実験結果から,提案手法が従来のSCR手法よりも高精度でありながら,リアルタイムな推論性能を維持していることが示された。

関連論文リスト

• Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
  スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。 彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。 境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。 当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
  論文  参考訳（メタデータ） (2026-08-09T07:36:17Z)
• Topology-Aware Neighborhood Learning for Source-Free Cross-Scene Hyperspectral Image Classification [11.354716471312239]
  ドメイン適応は、複雑なシナリオにおける識別能力を大幅に向上させる、高度なクロスシーンハイパースペクトル画像分類を持つ。 従来のドメイン適応手法は非現実的になり、現実的なリモートセンシングのシナリオにおいてその実用性を著しく制限する。 ソースデータなしで、堅牢で正確な分類を実現するために、トポロジ対応のソースフリー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-06T12:40:06Z)
• FedSmoothLoRA: Toward Smoother and Faster Convergence in Federated Low-Rank Adaptation [70.67537583458572]
  Low-Rank Adaptation (LoRA) を用いた基礎モデルのファインチューニングにより,通信コストと計算コストを削減できる。 FedAvgとLoRAの直接的な組み合わせには、3つの大きな問題がある。 我々はFedSmoothLoRAを提案する。FedSmoothLoRAは、拡張された更新空間を保存し、局所的な最適化の連続性を改善し、クライアント対応の開始状態を提供する、フェデレートされたLoRAチューニングフレームワークである。
  論文  参考訳（メタデータ） (2026-05-28T06:53:46Z)
• 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)
• RELO: Reinforcement Learning to Localize for Visual Object Tracking [70.27265738642956]
  視覚的物体追跡のためのReinforcement-learning-to-LOcalize法であるRELOを紹介する。 RELOは、手作りの空間先行を空間的位置から学習した局所化ポリシーに置き換える。 我々は、RELOがテンプレート更新なしでLaSOText上で57.5%のAUCを達成することを示す。
  論文  参考訳（メタデータ） (2026-05-08T07:34:29Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• Attention-Guided Multi-Scale Local Reconstruction for Point Clouds via Masked Autoencoder Self-Supervised Learning [9.390627399366833]
  我々は,ポイントクラウド処理のための新しい自己教師型学習フレームワークであるPointAMaLRを紹介する。 PointAMaLRは複数の局所領域にまたがる階層的再構成を実装している。 ベンチマークデータセットの実験では、PointAMaLRの分類タスクと再構成タスクの両方において、精度と品質が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-07-05T16:17:49Z)
• Self-supervised Learning of Dense Hierarchical Representations for Medical Image Segmentation [2.2265038612930663]
  本稿では,高密度下流タスクに適したボクセルワイド粗い表現を学習するための自己教師型フレームワークについて述べる。 我々は、複数のスケールから機能のコントリビューションのバランスをとるためのトレーニング戦略を考案し、学習された表現が粗い詳細ときめ細かい詳細の両方を捉えることを保証する。
  論文  参考訳（メタデータ） (2024-01-12T09:47:17Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• LoGG3D-Net: Locally Guided Global Descriptor Learning for 3D Place Recognition [31.105598103211825]
  追加のトレーニング信号(局所的整合性損失)が、リビジョン間で一貫性のある局所的特徴の学習にネットワークを導くことができることを示す。 私たちは、LoGG3D-Netと呼ばれるエンドツーエンドのトレーニング可能なアーキテクチャでアプローチを定式化します。
  論文  参考訳（メタデータ） (2021-09-17T03:32:43Z)

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。