論文の概要: DLOSAC: Joint Spatial-Geometric Image Estimation via Delaunay-Guided Local Optimization RANSAC
- arxiv url: http://arxiv.org/abs/2610.21215v1
- Date: Thu, 15 Oct 2026 04:06:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.173653
- Title: DLOSAC: Joint Spatial-Geometric Image Estimation via Delaunay-Guided Local Optimization RANSAC
- Title（参考訳）: DLOSAC:Delaunay-Guided Local Optimization RANSACによる共同空間幾何画像推定
- Abstract要約: 本稿では,幾何学的整合性と空間分布情報を併用した局所最適化フレームワークDLOSACを提案する。
3種類の幾何学的推定タスクをカバーする6つの公開現実データセットの実験は、最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 13.080982531219805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable image geometric estimation from noisy matching points is typically addressed using RANSAC, often combined with local optimization to refine inliers and model parameters. However, existing paradigms are predominantly residual-centric; even heuristic attempts to enforce spatial uniformity suffer from a sequential, two-stage nature that inherently decouples distribution optimization from geometric refinement, preventing an effective trade-off. In this paper, we propose DLOSAC, a local optimization framework that jointly incorporates both geometric consistency and spatial distribution information. We begin by constructing a Delaunay triangulation over candidate inliers to explicitly encode neighborhood topology. The geometric module introduces an edge-based consistency metric to evaluate geometric errors, while the spatial module derives distribution descriptors from triangle areas and edge attributes to quantify the clustering of inliers. Finally, we combine edge-based geometric constraints, spatial distribution regularization, and traditional point-level geometric constraints to improve the quality of geometric parameters. Extensive experiments on six publicly available real-world datasets, covering three types of geometric estimation tasks, achieve state-of-the-art performance.
- Abstract（参考訳）: ノイズの多いマッチング点からの信頼性画像幾何推定は、通常RANSACを用いて対処され、しばしばインレーヤやモデルパラメータを洗練するための局所最適化と組み合わせられる。
しかし、既存のパラダイムは大部分が残留中心であり、空間的均一性を強制しようとするヒューリスティックな試みでさえ、幾何学的洗練から分布最適化を本質的に分離し、効果的なトレードオフを防いでいる、連続した2段階の性質に悩まされている。
本稿では,幾何学的一貫性と空間分布情報を両立させた局所最適化フレームワークDLOSACを提案する。
まず、近隣位相を明示的にエンコードするために、候補不等式上のデラウネー三角測量を構築する。
幾何学モジュールは幾何学的誤差を評価するためにエッジベースの整合性指標を導入し、空間モジュールは三角形領域とエッジ属性から分布記述子を導出し、不整形のクラスタリングを定量化する。
最後に、エッジベースの幾何制約、空間分布正則化、および従来の点レベルの幾何制約を組み合わせて、幾何パラメータの品質を向上させる。
利用可能な6つの実世界のデータセットに対する大規模な実験は、3種類の幾何推定タスクをカバーし、最先端のパフォーマンスを達成する。
関連論文リスト
- Superquadric Primitive Decomposition of 3D point clouds via Geometric-Aware Inlier Refinement [46.04121477282439]
局所的な表面特性を具備プロセスに明示的に組み込んだ,原始的分解のための幾何学的枠組みを提案する。
我々の定式化は、正規整合のような幾何学的先行を統合し、より信頼性の高い不整合選択を可能にする。
合成データセットと実データセットの実験では、幾何的精度、雑音や外周に対する堅牢性、収束効率が一貫した改善を示している。
論文 参考訳（メタデータ） (2026-09-28T17:49:31Z) - Learning Propagation Geometry from Message-Passing Feedback [58.684834960683226]
GeoFは、メッセージパッシングフィードバックを通じてノード機能と伝搬幾何学を進化させる、反復的なフレームワークである。
ベンチマークデータセットの実験は、GeoFが最先端のGNNベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-28T09:22:49Z) - RODR: Riemannian Orthogonally Decoupled Regularization for Disentangled Manifold Representation [0.91963810502252]
本稿では,点クラウド処理における不整合幾何最適化のための汎用的・解釈可能なフレームワークを提案する。
実験により、RODRは最先端のベースラインに匹敵する性能に達することが示された。
論文 参考訳（メタデータ） (2026-07-27T03:12:14Z) - A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。
MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。
合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-05T20:19:09Z) - LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。
本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。
実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
論文 参考訳（メタデータ） (2026-03-30T13:39:35Z) - Domain-aware Category-level Geometry Learning Segmentation for 3D Point Clouds [38.70636648272246]
点雲の特徴の微細な幾何学的性質を知覚するために, カテゴリーレベルの幾何埋め込み (CGE) を提案する。
Geometric Consistent Learning (GCL) は, 潜伏した3次元分布をシミュレートし, カテゴリレベルの幾何学的埋め込みを整列するために提案される。
論文 参考訳（メタデータ） (2025-08-15T07:02:08Z) - Preserving Topological and Geometric Embeddings for Point Cloud Recovery [43.26116605528137]
我々は、サンプリングおよび復元フェーズを通じてこれらの重要な特性を維持する、textbfTopGeoFormer というエンドツーエンドアーキテクチャを提案する。
実験では,従来型および学習型サンプリング/アップ/リカバリアルゴリズムを用いて,環境を包括的に分析する。
論文 参考訳（メタデータ） (2025-07-25T09:58:41Z) - CP$^2$: Leveraging Geometry for Conformal Prediction via Canonicalization [51.716834831684004]
幾何データシフトにおける共形予測(CP)の問題について検討する。
本稿では,幾何的ポーズなどの幾何学的情報を統合することを提案する。
論文 参考訳（メタデータ） (2025-06-19T10:12:02Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳（メタデータ） (2024-02-08T17:57:59Z) - Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。
本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
論文 参考訳（メタデータ） (2022-08-02T01:15:39Z)
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。