論文の概要: Learning Which Correspondences to Trust: Confidence-Weighted Event-Camera Localization in LiDAR Maps

• arxiv url: http://arxiv.org/abs/2610.11967v1
• Date: Thu, 08 Oct 2026 13:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.061039
• Title: Learning Which Correspondences to Trust: Confidence-Weighted Event-Camera Localization in LiDAR Maps
• Title（参考訳）: 信頼に対応する学習:LiDARマップにおける信頼度重み付きイベントカメラのローカライゼーション
• Abstract要約: 既存のパイプラインは、ポーズ推定時の幾何学的コンセンサスに依存している。 学習の自然な方法、つまり、学習の信頼を拘束するために対応誤差を使うことは、深度に依存したバイアスに悩まされることが示されます。
• 参考スコア（独自算出の注目度）: 11.936019630958024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localizing an event camera against a pre-built LiDAR map can be cast as dense optical-flow estimation between a rendered depth view and an event image, followed by a Perspective-n-Point (PnP) solver over the induced 3D-2D correspondences. Existing pipelines rely on geometric consensus during pose estimation, but do not explicitly model the reliability or pose informativeness, i.e., how strongly a correspondence constrains the camera pose, of individual correspondences. We show that the natural way to learn it -- using the per-correspondence error to constrain the learning of confidence -- suffers from a depth-dependent bias: small pixel errors reside predominantly at large depths and do not lead to high pose informativeness. Instead, in our method (CELL), we learn a per-correspondence confidence end-to-end through the pose, using a differentiable probabilistic PnP whose log-partition term encourages weight configurations that yield a better-constrained pose distribution. The learned confidence is used in three ways: (i) it reweights the flow supervision in a decoupled training scheme that keeps pose gradients out of the flow/edge backbone; (ii) it drives a probabilistic correspondence selection at test time; and (iii) together with the network's edge-probability it weights a final edge-matching refinement. We further design a partial-completion depth representation that adds signal without hallucinating across large gaps. On M3ED and DSEC our full system improves over the LEAR baseline on the majority of the evaluated sequences: it reduces the median translation error by up to 26.9% and the median rotation error by up to 15.8%.
• Abstract（参考訳）: プリビルドされたLiDARマップに対してイベントカメラをローカライズすることは、描画深度ビューとイベントイメージとの間に密集した光フロー推定として、続いて誘導された3D-2D対応に対するパースペクティブ・n・ポイント(PnP)ソルバをキャストすることができる。 既存のパイプラインは、ポーズ推定中に幾何的なコンセンサスに依存するが、信頼性を明示的にモデル化したり、インフォメーションを提示したりしない。 我々は、その学習の自然な方法、すなわち、信頼の学習を制限するために対応誤差を用いると、深度に依存したバイアスに悩まされることを示した。 その代わりに、当社の手法(CELL)では、対数分割項がより制約されたポーズ分布をもたらす重み構成を奨励する微分確率的PnPを用いて、ポーズごとの対応信頼度をエンドツーエンドに学習する。 学習された自信は3つの方法で使われます。 一 フロー/エッジバックボーンからポーズ勾配を維持する非結合のトレーニングスキームにおいて、フロー監督を再重み付けすること。 二 試験時における確率的対応選択を駆動すること。 第三に、ネットワークのエッジ確率とともに、最終的なエッジマッチングの洗練を重くする。 我々はさらに、大きな隙間を越えて幻覚のない信号を追加する部分補完深度表現を設計する。 M3EDとDSECでは、評価されたシーケンスの大部分がLEARベースラインよりも改善されており、中央値の変換誤差を26.9%、中央値の回転誤差を15.8%削減しています。

関連論文リスト

• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• SCIPaD: Incorporating Spatial Clues into Unsupervised Pose-Depth Joint Learning [17.99904937160487]
  本研究では,教師なし深層学習のための空間的手がかりを取り入れた新しいアプローチであるSCIPaDを紹介する。 SCIPaDは平均翻訳誤差22.2%、カメラポーズ推定タスクの平均角誤差34.8%をKITTI Odometryデータセットで達成している。
  論文  参考訳（メタデータ） (2024-07-07T06:52:51Z)
• FAR: Flexible, Accurate and Robust 6DoF Relative Camera Pose Estimation [30.710296843150832]
  画像間の相対的なカメラのポーズを推定することは、コンピュータビジョンにおいて中心的な問題となっている。 私たちのアプローチは、正確かつ堅牢な結果をもたらします。 包括的解析は設計選択をサポートし,提案手法が様々な特徴抽出器や対応推定器に柔軟に適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-05T18:59:51Z)
• Linear-Covariance Loss for End-to-End Learning of 6D Pose Estimation [64.12149365530624]
  現代の画像に基づく6Dオブジェクトのポーズ推定手法は、2D-3D対応の予測を学習し、そこから解法を用いてポーズを求めることができる。 ここでは、ネットワークが精度を低下させるであろう勾配につながる問題の平均的な性質と矛盾するものであると論じる。
  論文  参考訳（メタデータ） (2023-03-21T00:32:31Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Deep Bingham Networks: Dealing with Uncertainty and Ambiguity in Pose Estimation [74.76155168705975]
  Deep Bingham Networks (DBN)は、3Dデータに関するほぼすべての実生活アプリケーションで発生するポーズ関連の不確実性と曖昧性を扱うことができる。 DBNは、(i)異なる分布モードを生成できる多仮説予測ヘッドにより、アートダイレクトポーズ回帰ネットワークの状態を拡張する。 トレーニング中のモードや後方崩壊を回避し,数値安定性を向上させるための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-20T19:20:26Z)

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。