論文の概要: DSM-Free UAV Visual Localization via Latent-Depth Variable Projection and Structure-Adaptive Coupling

• arxiv url: http://arxiv.org/abs/2610.14945v1
• Date: Sat, 10 Oct 2026 14:20:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 03:16:31.689377
• Title: DSM-Free UAV Visual Localization via Latent-Depth Variable Projection and Structure-Adaptive Coupling
• Title（参考訳）: DSM-free UAV Visual Localization by Latent-Depth Variable Projection and Structure-Adaptive Coupling
• Abstract要約: 視覚的ローカライゼーションにより、無人航空機(UAV)は絶対位置決めされた環境を維持することができる。 そこで我々は,不特定スケールの視線を潜時深度で観測するLDVP(Latent-Depth Variable Projection)を提案する。 異なるシーン構造間のロバスト性を改善するために,単眼深度推定による相対的なシーン構造を用いてLDVPを選択するOP-Adaptive Structure Coupling (SAC)を導入する。
• 参考スコア（独自算出の注目度）: 12.346089493276763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual localization enables unmanned aerial vehicles (UAVs) to maintain absolute positioning in GNSS-denied environments. A common approach matches UAV images with geo-tagged orthographic maps and estimates camera pose using Perspective-n-Point (PnP) with elevations from Digital Surface Models (DSMs). However, accurate and up-to-date DSMs are often unavailable in practice. Orthographic-perspective geometry (OPG) enables DSM-free localization in scenes with varying elevations, yet existing methods typically estimate pose indirectly through intermediate matrix estimation and decomposition. To address this limitation, we propose Latent-Depth Variable Projection (LDVP), which treats the unknown scales along perspective viewing rays as latent depths. By analytically eliminating these depths and solving for the horizontal camera center in closed form given the rotation, LDVP reduces nonlinear estimation to a rotation-only problem, enabling direct recovery of metric horizontal position without assuming a planar scene. To improve localization robustness across different scene structures, we further introduce Structure-Adaptive Coupling (SAC), which uses relative scene structure inferred from monocular depth estimation to select LDVP when the matched points are not dominated by a single plane, and Planar-PnP otherwise. Our local observability analysis reveals how scene elevation variation affects the geometric constraints of OPG, providing a basis for this adaptive strategy. Extensive experiments show that LDVP consistently outperforms existing OPG-based DSM-free methods, while SAC further improves robustness across diverse scenes and substantially narrows the gap to DSM-based localization. Code will be released at https://github.com/UAV-AVL/LDVP-SAC.
• Abstract（参考訳）: 視覚的ローカライゼーションにより、無人航空機 (UAV) は GNSS による環境における絶対的な位置決めを維持できる。 一般的なアプローチは、UAV画像とジオタグの正地図とをマッチングし、PnP(Aspective-n-Point)とDSM(Digital Surface Models)の標高を用いてカメラのポーズを推定する。 しかし、正確なDSMや最新のDSMは実際には利用できないことが多い。 オーソグラフィー・パースペクティブ・ジオメトリ(OPG)は、高度の異なるシーンにおいてDSMのないローカライゼーションを可能にするが、既存の手法では中間行列推定と分解を通じて間接的にポーズを推定する。 この制限に対処するため,未知のスケールを視線で観測するLDVP(Latent-Depth Variable Projection)を提案する。 これらの深度を解析的に排除し、回転のみの問題に非線形推定を還元することにより、平面的なシーンを仮定することなく、計量水平位置の直接回復を可能にする。 異なるシーン構造間のローカライズロバスト性を改善するために,単眼深度推定から推定される相対的なシーン構造を用いて,一致点が1つの平面に支配されない場合にLDVPを選択する構造適応結合(Structure-Adaptive Coupling, SAC)を導入する。 局所観測可能性分析により,OPGの幾何的制約がシーンの標高変化にどのように影響するかが明らかとなり,この適応戦略の基盤となる。 LDVPは既存のOPGベースのDSMフリーメソッドを一貫して上回り、SACは多様なシーンにおけるロバスト性をさらに向上し、DSMベースのローカライゼーションとのギャップを大幅に狭める。 コードはhttps://github.com/UAV-AVL/LDVP-SACで公開される。

関連論文リスト

• DECO: Depth-Guided Co-Visibility Reasoning for Low-Altitude UAV Visual Localization [11.354204360896581]
  無人航空機(UAV)は、幾何密度の環境において、堅牢な視覚的位置決めを必要としている。 共通解は、UAV画像とジオタグ付き参照マップのキーポイントを一致させてUAVのポーズを推定する。 低高度UAV視覚ローカライゼーションのためのDepth-CO-visibility reasoning frameworkであるDECを提案する。
  論文  参考訳（メタデータ） (2026-08-23T08:28:14Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Aerial Multi-View Stereo via Adaptive Depth Range Inference and Normal Cues [38.954104931025704]
  本稿では,多視点深度推定精度を向上させるための適応深度MVS(ADR-MVS)を提案する。 ADR-MVSは、クロスアテンション離散性学習を用いて、深さと正規推定値から適応範囲マップを生成する。 実験により,ADR-MVSはWHU,LuoJia-MVS,M"unchenデータセット上で最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-06-06T01:14:55Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)

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。