論文の概要: Does Dynamic-Point Filtering Help When Texture Is Scarce? A Controlled Study of ORB-SLAM2 Front-Ends in Synthetic Indoor Scenes

• arxiv url: http://arxiv.org/abs/2610.10564v1
• Date: Fri, 02 Oct 2026 10:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.556084
• Title: Does Dynamic-Point Filtering Help When Texture Is Scarce? A Controlled Study of ORB-SLAM2 Front-Ends in Synthetic Indoor Scenes
• Title（参考訳）: 動的点フィルタリングはテクスチャーが損なわれるときに役立つか? 合成室内シーンにおけるORB-SLAM2フロントエンドの制御研究
• Abstract要約: 我々は,同じカメラ軌道に沿って,テクスチャとシーンの動態が要因的に変化する合成室内配列を描画する。 フィルタのないORB-SLAM2と光フロー・エピポーラ残差フィルタ(FLOW)と多視点深度整合フィルタ(GEOM)を比較した。 マスクはキーポイント当たりの真理を与えるため、各フィルタのダイナミックポイント精度とリコール、および静的フェール除去率も測定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Dynamic-point filters are routinely added to feature-based visual SLAM, and several recent systems argue that removing dynamic features can leave too few static features in low-texture regions. So far, these systems have been evaluated only on texture-rich benchmark sequences. We present a controlled study that isolates this interaction. We render synthetic indoor sequences in which surface texture (four levels, quantified by FAST-corner density and image-gradient entropy) and scene dynamics (three levels) are varied factorially along identical camera trajectories, with stereo, RGB-D, ground-truth poses and dynamic masks. On this grid we compare ORB-SLAM2 without filtering, with an optical-flow and epipolar-residual filter (FLOW), and with a multi-view depth-consistency filter (GEOM), and report trajectory error, tracking completeness and surviving static features over five runs. Because the masks give per-keypoint ground truth, we also measure each filter's dynamic-point precision and recall and its static-feature false-removal rate, so that mechanistic explanations can be tested directly. We do not propose a new filter. On 720 runs over 24 sequences, filtering helped mainly in the most dynamic cells; the benefit did not decline monotonically with texture, but at the lowest level filtering reduced tracking completeness, and ORB-SLAM2 never initialised in static L3 scenes. Contrary to our hypothesis, GEOM discarded more static keypoints than FLOW (median FRR 6.8% vs. 1.5% for RGB-D, 19.6% vs. 1.5% for stereo); its RGB-D advantage tracked dynamic-point recall and vanished in stereo mode. Data and code are available at https://github.com/felixxxue/texture-dynamics-slam.
• Abstract（参考訳）: 動的ポイントフィルタは、機能ベースのビジュアルSLAMに定期的に追加され、最近のシステムでは、動的機能を削除することで、低テクスチャ領域で静的な機能があまりに少なくなると主張している。 これまでのところ、これらのシステムはテクスチャに富んだベンチマークシーケンスでのみ評価されてきた。 この相互作用を分離する制御された研究を提案する。 合成屋内シークエンス(FAST-コーンナー密度と画像勾配エントロピーで定量化した4つのレベル)とシーンダイナミックス(3つのレベル)を、ステレオ、RGB-D、グラウンドトゥルースポーズ、ダイナミックマスクで、同じカメラ軌道に沿って因子的に変化させる合成屋内シークエンスを描画する。 この格子上では、ORB-SLAM2をフィルタなしで比較し、光フローとエピポーラ残差フィルタ(FLOW)、多視点深度整合フィルタ(GEOM)を用いて、5回の動作で軌道誤差を報告し、完全性や静止特性を追尾する。 マスクはキーポイント当たりの真理を与えるため、各フィルタのダイナミックポイント精度とリコールとその静的フェール除去率も測定し、機械的説明を直接検査することができる。 我々は新しいフィルタを提案しない。 フィルターはテクスチャとともに単調に低下するのではなく、低レベルのフィルタリングによってトラッキング完全性が低下し、ORB-SLAM2は静的L3シーンで初期化されなかった。 我々の仮説とは対照的に、GEOMはFLOWより静的なキーポイントを捨てた(中央値FRR 6.8%、RGB-Dが1.5%、ステレオが19.6%、RGB-Dが1.5%)。 データとコードはhttps://github.com/felixxxue/texture-dynamics-slamで入手できる。

関連論文リスト

• DFIR-DETR: Frequency Domain Enhancement and Dynamic Feature Aggregation for Cross-Scene Small Object Detection [16.16000521213211]
  UAVリモートセンシング画像の小型物体検出は困難である。 現在の変圧器ベースの検出器は、3つの重要な問題に悩まされている。 本稿ではDFIR-DETRを導入し,周波数領域処理と組み合わせた動的特徴集約手法を提案する。
  論文  参考訳（メタデータ） (2025-12-08T01:25:10Z)
• TRAN-D: 2D Gaussian Splatting-based Sparse-view Transparent Object Depth Reconstruction via Physics Simulation for Scene Update [11.563662673205085]
  TRAN-Dは透明物体に対する新しい2次元ガウス平板を用いた深度再構成法である。 我々は、ガウス人を不明瞭な地域に配置するオブジェクト認識損失でアーティファクトを緩和する。 物理に基づくシミュレーションを組み込んで、わずか数秒で復元を洗練します。
  論文  参考訳（メタデータ） (2025-07-15T08:02:37Z)
• Dy3DGS-SLAM: Monocular 3D Gaussian Splatting SLAM for Dynamic Environments [5.050525952210101]
  モノクロRGB入力を用いた動的シーンのための3次元ガウススティング(3DGS)SLAM法であるDy3DGS-SLAMを提案する。 その結果,Dy3DGS-SLAMは動的環境下での最先端のトラッキングとレンダリングを実現することがわかった。
  論文  参考訳（メタデータ） (2025-06-06T10:43:41Z)
• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• Mip-Splatting: Alias-free 3D Gaussian Splatting [52.366815964832426]
  3D Gaussian Splattingは素晴らしいビュー合成結果を示し、高い忠実度と効率を実現した。 ストロングアーティファクトは、サンプリングレート、例えば焦点距離やカメラ距離を変えることで観測することができる。 この現象の原因は,3次元周波数制約の欠如と2次元拡張フィルタの利用によると考えられる。
  論文  参考訳（メタデータ） (2023-11-27T13:03:09Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Learning Dynamic View Synthesis With Few RGBD Cameras [60.36357774688289]
  本稿では,RGBDカメラを用いて動的屋内シーンのフリー視点映像を合成することを提案する。 我々は、RGBDフレームから点雲を生成し、それをニューラル機能を介して、自由視点ビデオにレンダリングする。 そこで本研究では,未完成の深度を適応的に塗布して新規なビューを描画する,シンプルなRegional Depth-Inpaintingモジュールを提案する。
  論文  参考訳（メタデータ） (2022-04-22T03:17:35Z)
• MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
  可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。 我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。 重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
  論文  参考訳（メタデータ） (2021-07-22T03:10:51Z)
• DOT: Dynamic Object Tracking for Visual SLAM [83.69544718120167]
  DOTはインスタンスセグメンテーションとマルチビュー幾何を組み合わせて、動的オブジェクトのマスクを生成する。 実際にどのオブジェクトが動いているかを判断するために、DOTは、潜在的にダイナミックなオブジェクトの最初のインスタンスを抽出し、次に推定されたカメラモーションで、測光再投射誤差を最小限にして、そのようなオブジェクトを追跡する。 提案手法はORB-SLAM 2の精度とロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-30T18:36:28Z)

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。