論文の概要: Smart Fusion for Adaptive Visual-IMU Weighting in cuVSLAM Sparse Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2610.20226v1
• Date: Wed, 14 Oct 2026 14:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.180579
• Title: Smart Fusion for Adaptive Visual-IMU Weighting in cuVSLAM Sparse Bundle Adjustment
• Title（参考訳）: cuVSLAMスパースバンドル調整における適応型ビジュアルIMU重み付けのためのスマートフュージョン
• Abstract要約: cuVSLAMでは、ノイズ共分散によって固定されたスパースバンドル調整(SBA)において、視覚的および慣性測定ユニット(IMU)残基が融合される。 IMU事前積分制約に対して視覚情報をアップスケールするスカラー$geq1$を導入する。 我々は、914個のトレーニング可能なパラメータを持つ多層パーセプトロンとして実装された軽量なVisual Quality Estor (VQE) を訓練する。
• 参考スコア（独自算出の注目度）: 33.42599117653889
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cuVSLAM, visual and inertial measurement unit (IMU) residuals are fused in sparse bundle adjustment (SBA) with a weighting fixed by pre-calibrated noise covariances, leaving no mechanism to adapt the visual-inertial balance at runtime. We introduce a scalar $α\geq1$ that upscales the visual information matrix relative to the IMU preintegration constraint. Across the candidate set $\{1.0,2.0,5.0,10.0,20.0\}$, the resulting trajectories form two empirical performance regimes. The IMU-TRUST regime contains $α\in\{1,2\}$ near the calibrated baseline, while the VISION-TRUST regime contains $α\in\{10,20\}$. The intermediate value $α=5$ is treated as a transition case. Differences within each regime are small relative to those observed between the regimes. This structure motivates reducing $α$-selection to a binary decision. We train a lightweight Visual Quality Estimator (VQE), implemented as a multilayer perceptron with 914 trainable parameters. It maps a 10-dimensional visual quality feature vector assembled from statistics already maintained by the tracker to a per-SBA regime prediction. The proposed method reduces mean RMSE APE by $27.7\%$ and by $14.9\%$ under leave-one-out cross-validation (LOOCV) on EuRoC MAV and TUM-VI Room, respectively.
• Abstract（参考訳）: cuVSLAMでは、視覚的および慣性測定ユニット(IMU)残基をスパースバンドル調整(SBA)に融合し、予め校正されたノイズ共分散によって重み付けを固定し、実行時に視覚的慣性バランスを適応させる機構を残さない。 IMU事前積分制約に対して視覚情報行列をスケールアップするスカラー$α\geq1$を導入する。 候補全体の$\{1.0,2.0,5.0,10.0,20.0\}$は、2つの経験的なパフォーマンスレギュレーションを形成する。 IMU-TRUSTレジームは、校正基準線の近くに$α\in\{1,2\}$、VISION-TRUSTレジームは$α\in\{10,20\}$を含む。 中間値$α=5$は遷移ケースとして扱われる。 各体制内での差異は、各体制間で観察されるものと相対的に小さい。 この構造は、$α$-selectionを二項決定に還元する動機である。 我々は、914個のトレーニング可能なパラメータを持つ多層パーセプトロンとして実装された軽量な視覚品質推定器(VQE)を訓練する。 トラッカーによって既に維持されている統計から収集された10次元の視覚的品質特徴ベクトルをSBAレギュレータごとの予測にマッピングする。 提案手法は平均RMSE APEを平均27.7 %$、EuRoC MAVおよびTUM-VI Room上でのLOOCVで平均14.9 %$削減する。

関連論文リスト

• TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
  TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。 Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-10-07T03:01:51Z)
• The Residual Stream's Effective Depth [10.776510686549338]
  $Deff$は、トランスフォーマーの階層的残留ストリームを離散時間プロセスとして扱う診断である。 16のデフォルト値のうち15は$F_L$以下である。 OLMo-2の初期に確立され、5Tトークンを介して安定するが、Pythia-1.4Bは異なる減少軌道を辿る。
  論文  参考訳（メタデータ） (2026-09-25T10:36:43Z)
• SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant [79.24089819400126]
  Subsampled TurboQuant (SSTQ) は、オーバーコンプリートな等幅のタイトフレーム、座標サブサンプリング、プライバシ対応量子化を組み合わせたフレームワークである。 SSTQは平均2乗誤差スケーリングを実現し、クライアントあたり$lceil log N il + b$ bitsを使用する。 また、コードブックに依存したMSEスケーリングを$O(4b)$から$O(2b)$に削減する、プライバシを意識したコードブックの目的も導出します。
  論文  参考訳（メタデータ） (2026-08-05T17:51:25Z)
• Covariance Last-Layer Ensembles: Function-Space Diversity for Efficient Uncertainty Quantification [0.8803840644459077]
  Cov-LLEは、ウェイト・オルソノーマル性が不可能な関数空間の多様性を復元し、マッチした$K$は深いアンサンブルの多様性と校正の多くを回復する。 OCを最終層アンサンブルと見なすと、検出器を2軸の分類に整理する。
  論文  参考訳（メタデータ） (2026-07-26T21:56:02Z)
• Sequential Minimal Optimization for $\varepsilon$-SVR with MAPE Loss and Sample-Dependent Box Constraints [0.0]
  我々は、$varepsilon$-SVRciteVapnik 1995, Drucker 1997, Smola2004から生じる二次双対問題に対して、MAPE(Mean Absolute Percentage Error)を最小化するために、逐次最小最適化(SMO)アルゴリズムを導出した。 実装はオープンソースの textttpsvr R packageciteBenavidesHerrera2026Rpsvr で利用可能である。
  論文  参考訳（メタデータ） (2026-05-02T13:51:46Z)
• Gated-SwinRMT: Unifying Swin Windowed Attention with Retentive Manhattan Decay via Input-Dependent Gating [0.6945765172815976]
  Gated-SwinRMTは、Swin Transformerのシフトウインドウの注意とRetentive Networks (RMT)のマンハッタン距離空間減衰を組み合わせたハイブリッド・ビジョン・トランスフォーマーのファミリーである。 Gated-SwinRMT-SWATは、ソフトマックスにシグモイド活性化を代用し、乗算後空間崩壊を伴うバランスの取れたALiBi斜面を実装し、SwiGLUを介して値投影をゲートする。 Gated-SwinRMT-Retentionは、追加の対数空間崩壊バイアスでソフトマックス正規化保持を維持し、明示的なG1シグモイドゲートを組み込む
  論文  参考訳（メタデータ） (2026-04-07T16:12:31Z)
• Robust Layerwise Scaling Rules by Proper Weight Decay Tuning [50.11170157029911]
  現代のスケール不変アーキテクチャでは、トレーニングは急速に劣化したグラデーション状態に入る。 我々は,AdamWに対して,幅をまたいだサブ層ゲインを保ったウェイトデカイスケーリングルールを導入する。 この結果は,パラメータが設定した定常スケールを明示的に制御することにより,ほぼ入出力体制を超えて$mu$Pを拡大する。
  論文  参考訳（メタデータ） (2025-10-17T02:58:35Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)

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。