論文の概要: F$^2$ SLAM: Turning Feed-Forward Geometry into Persistent Factors for SLAM

• arxiv url: http://arxiv.org/abs/2610.05207v1
• Date: Sun, 04 Oct 2026 13:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:39:16.830017
• Title: F$^2$ SLAM: Turning Feed-Forward Geometry into Persistent Factors for SLAM
• Title（参考訳）: F$^2$ SLAM:フィードフォワード幾何学をSLAMの永続因子に変換する
• Abstract要約: フィードフォワード3Dモデルは、強いマルチビュー幾何学的先行性を提供する一方、オンラインの同時ローカライゼーションとマッピングは、主に局所的なミーアグリーメントに依存し、長いシーケンスでドリフトを蓄積することができる。 本稿では,F2SLAMを提案する。このF2SLAMは,フィードフォワード形状をペシステント密度係数グラフに付加した最適化ネイティブな目標重み測定に変換する。 複数のベンチマークの実験は、常に強い軌道推定を示し、校正と非校正の両方で密度の高い再構成を改善した。
• 参考スコア（独自算出の注目度）: 20.263600343010125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward 3D models provide strong multi-view geometric priors, while on- line simultaneous localization and mapping (SLAM) relies mainly on local mea- surements and can accumulate drift over long sequences. Existing attempts to combine the two typically treat feed-forward predictions as an external geomet- ric state that is aligned or fused with the online estimate after the fact, which keeps broader multi-view evidence outside the optimizer that refines the SLAM state. We present F2SLAM, which instead converts feed-forward geometry di- rectly into optimization-native target-weight measurements attached to a persis- tent dense factor graph. A high-frequency stream maintains local tracking con- straints and graph connectivity, while a low-frequency stream uses wider multi- view context to selectively refresh existing measurements after a state-consistency check. Both streams constrain the same poses, inverse depths, and optional cam- era intrinsics through a single dense bundle adjustment. Experiments on multiple benchmarks demonstrate consistently strong trajectory estimation and improved dense reconstruction in both calibrated and uncalibrated settings. Notably, the uncalibrated configuration reduces the average ATE RMSE from 0.030 m for the strongest feed-forward baseline to 0.002 m on the Replica dataset.
• Abstract（参考訳）: フィードフォワード3Dモデルは、強いマルチビュー幾何学的先行性を提供する一方、オンラインの局所化とマッピング(SLAM)は、主に局所的なミーアアグリーメントに依存し、長いシーケンスでドリフトを蓄積することができる。 既存の2つの試みは、通常、フィードフォワード予測を外部のジオメトリリック状態として扱うが、これは事実の後にオンラインの見積もりと一致または融合し、SLAM状態を洗練するオプティマイザの外でより広いマルチビューのエビデンスを保持する。 本稿では,F2SLAMについて,フィードフォワードの幾何を直交的に最適化した目標重み測定に変換する。 高周波ストリームは、局所的な追跡コントラストとグラフ接続を維持し、低周波ストリームは、より広いマルチビューコンテキストを使用して、状態整合性チェック後の既存の測定を選択的に更新する。 両方のストリームは同じポーズ、逆深さ、オプションのカム時代の内在性を、単一の高密度バンドル調整によって制約する。 複数のベンチマークの実験は、常に強い軌道推定を示し、校正と非校正の両方で密度の高い再構成を改善した。 特に、校正されていない構成は、最も強いフィードフォワードベースラインの平均ATE RMSEを0.030mからReplicaデータセットの0.002mに減少させる。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• M^3: Dense Matching Meets Multi-View Foundation Models for Monocular Gaussian Splatting SLAM [36.28718478194476]
  M3はMulti-view基盤モデルを専用のMatchingヘッドで拡張し、細粒度の密度の高い通信を容易にする。 室内および屋外の様々なベンチマークの実験は、ポーズ推定とシーン再構成の両方において最先端の精度を示している。
  論文  参考訳（メタデータ） (2026-03-17T17:52:37Z)
• FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
  FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。 我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
  論文  参考訳（メタデータ） (2025-12-31T17:57:45Z)
• Leveraging Consistent Spatio-Temporal Correspondence for Robust Visual Odometry [7.517597541959445]
  S-Temporal Visual Odometry (STVO) は,マルチフレームフローマッチングの精度と一貫性を高めるための,新しいディープネットワークアーキテクチャである。 我々のSTVOはETH3Dベンチマークの最先端性能とKITTI Odometryベンチマークの38.9%を実現している。
  論文  参考訳（メタデータ） (2024-12-22T08:47:13Z)

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。