論文の概要: Learning Holistic Scene Layout against View Shifts in Cross-View Geo-Localization

• arxiv url: http://arxiv.org/abs/2610.13553v1
• Date: Fri, 09 Oct 2026 13:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.58768
• Title: Learning Holistic Scene Layout against View Shifts in Cross-View Geo-Localization
• Title（参考訳）: クロスビュージオローカライゼーションにおける視点シフトに対するホロスティックなシーンレイアウトの学習
• Abstract要約: 横方向の地理的局在化は、視線の変化による劇的な外見の変化と幾何学的歪みのため、依然として困難なままである。 本研究では,4方向に沿った特徴写像と,各空間位置における方向表現間の相互作用をトラバースする空間コンテキストモデリング(SCM)モジュールを提案する。 信頼性の高い空間コンテキストは、堅牢な視覚的特徴に依存するため、周波数領域から安定した構造的手がかりを抽出するHFIG(High-Frequency Information Guidance)モジュールを導入する。
• 参考スコア（独自算出の注目度）: 8.554155075943651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-view geo-localization remains challenging due to drastic appearance variations and geometric distortions caused by viewpoint changes. Existing methods primarily rely on discriminative feature learning or explicit geometric alignment, yet often overlook an important observation: humans tend to match scenes by integrating the spatial context of multiple landmarks rather than relying solely on isolated local visual cues. Inspired by this, we propose a Spatial Context Modeling (SCM) module, which traverses feature maps along four orthogonal directions and models interactions among the resulting directional representations at each spatial position. By aggregating complementary directional observations, SCM constructs richer scene layout representations. Since reliable spatial context depends on robust visual features, we introduce a High-Frequency Information Guidance (HFIG) module that extracts stable structural cues from the frequency domain. By emphasizing edges and contours that are less sensitive to appearance variations, HFIG encourages the model to learn more robust representations. Extensive experiments demonstrate that our method achieves competitive performance on standard cross-view geo-localization benchmarks while exhibiting strong robustness under more challenging scenarios with unknown orientations and limited fields of view (FoVs).
• Abstract（参考訳）: 横方向の地理的局在化は、視線の変化による劇的な外見の変化と幾何学的歪みのため、依然として困難なままである。 既存の方法は、主に識別的特徴学習や明示的な幾何学的アライメントに依存しているが、しばしば重要な観察を見落としている: 人間は、孤立した局所的な視覚的手がかりにのみ依存するのではなく、複数のランドマークの空間的コンテキストを統合することによって、シーンにマッチする傾向がある。 そこで本研究では,4つの直交方向に沿った特徴写像と,各空間位置における方向表現間の相互作用をモデル化する空間コンテキストモデリング(SCM)モジュールを提案する。 補完的な方向観察を集約することにより、SCMはよりリッチなシーンレイアウト表現を構築する。 信頼性の高い空間コンテキストは、堅牢な視覚的特徴に依存するため、周波数領域から安定した構造的手がかりを抽出するHFIG(High-Frequency Information Guidance)モジュールを導入する。 外観の変化に敏感でないエッジや輪郭を強調することで、HFIGはモデルにより堅牢な表現を学ぶように促す。 大規模な実験により,本手法は,未知の向きと限られた視野(FoVs)を持つより困難なシナリオ下で,強い強靭性を示しながら,標準的なクロスビューなジオローカライゼーションベンチマーク上での競合性能を実証した。

関連論文リスト

• Warp-free Cross-view Geo-localization via Feature-space Consensus Mining [49.843311525678565]
  ストリートレベルの画像と衛星画像の間に大きな違いがあるため、クロスビューのジオローカライゼーションは困難である。 本稿では,明示的な幾何学的ワープを完全に回避する,新しい統合ビュー・コンセンサス誘導学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T09:02:06Z)
• More Than Where You Are: Learning Semantics, Structure, and Geometry from Cross-View Localization [8.17466031886622]
  極端視点変化下でのクロスビュー理解は、空間知能にとって不可欠である。 クロスビューなローカライゼーションは単に2次元マッチングやポーズ推定と見なすべきではない。 CROSSは, 3次元のアライメント, 構造認識マッチング, 仮説ランキングに基づいて構築された, クロスビュー・ローカライズ・フレームワークである。
  論文  参考訳（メタデータ） (2026-07-14T07:00:34Z)
• G$^2$TAM: Geometry Grounded Track Anything Model [49.05553245076823]
  本稿では,RGB画像やビデオのみを用いて,3次元のインスタンス追跡を高速化するための統一的なフレームワークを提案する。 G$2$TAMは空間的に整列した幾何学的表現を暗黙記憶として使用し、安定したインスタンス識別とフレームとビュー間のローカライゼーションを保証する。 中心となるのは、視覚的およびテキスト的プロンプトを共有幾何学空間に統合し、エンドツーエンドの空間再構成とインスタンス一貫性マスク予測を可能にするクロスモーダル空間エンコーダである。
  論文  参考訳（メタデータ） (2026-07-04T09:32:13Z)
• SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation [62.55421542903781]
  生成された画像の空間的レイアウトを評価するために明示的に設計された検証可能な報酬モデルである textbfSpatialReward を提案する。 安定拡散とFLUXの実験により、空間的リワードをRLトレーニングに組み込むことで、空間的一貫性と全体的な生成品質が一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-03-23T17:26:35Z)
• Cross-view geo-localization, Image retrieval, Multiscale geometric modeling, Frequency domain enhancement [1.6686955491488273]
  クロスビュージオローカライゼーション(CVGL)は、異なる視点から撮影された画像間の空間的対応を確立することを目的としている。 CVGLは、厳密な幾何学的非対称性、画像領域間のテクスチャの不整合、および識別的局所情報の段階的な劣化により、依然として困難なままである。 本稿では、空間領域と周波数領域の相補表現を利用した空間周波数領域拡張ネットワーク(SFDE)を提案する。
  論文  参考訳（メタデータ） (2026-03-03T08:25:35Z)
• 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)
• CLNet: Cross-View Correspondence Makes a Stronger Geo-Localizationer [48.52152634356309]
  本稿では,異なるビュー間の意味的および幾何学的ギャップを明示的に橋渡しする,CLNetと呼ばれる通信対応機能改善フレームワークを提案する。 CLNetはビューアライメントプロセスを3つの学習可能な補完モジュールに分解する。 提案するCLNetは、より優れた解釈性と一般化性を提供しながら、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-16T16:31:41Z)
• Cross-view Geo-localization via Learning Disentangled Geometric Layout Correspondence [11.823147814005411]
  クロスビュージオローカライゼーションは、参照ジオタグ付き空中画像データベースとマッチングすることで、クエリーグラウンド画像の位置を推定することを目的としている。 最近の研究は、クロスビューなジオローカライゼーションベンチマークにおいて顕著な進歩を遂げている。 しかし、既存の手法は依然としてクロスエリアベンチマークのパフォーマンスの低下に悩まされている。
  論文  参考訳（メタデータ） (2022-12-08T04:54:01Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。