論文の概要: O-SCD++: Replay-Free Online Scene Change Detection via Recursive Evidence Fusion

• arxiv url: http://arxiv.org/abs/2610.24462v1
• Date: Sat, 17 Oct 2026 05:04:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:45:05.845863
• Title: O-SCD++: Replay-Free Online Scene Change Detection via Recursive Evidence Fusion
• Title（参考訳）: O-SCD++:再帰的エビデンス融合によるオンラインシーン変更検出
• Abstract要約: オンラインのシーン変更検出では、エージェントが以前マップされた環境で何が変わったかを検出する必要がある。 オンラインの手法は、常にオフラインの精度に追随している。 O-SCDは、参照シーンの3Dガウススプラッティングマップの永続特性として変化を扱う。
• 参考スコア（独自算出の注目度）: 10.57917738659676
• License:
• Abstract: Online scene change detection requires an agent to detect what has changed in a previously mapped environment while it is still on site, observing from unconstrained viewpoints and without access to future observations. This causal setting is strictly harder than its offline counterpart, and online methods have consistently trailed offline accuracy. O-SCD closed that gap by treating change as a persistent property of a 3D Gaussian splatting map of the reference scene, surpassing the strongest offline methods in change detection accuracy while operating at over 10 frames per second. O-SCD optimizes a change field over the Gaussians of the reference map, refitting it to all past cue maps at every frame, a step that consumes more than half of the per-frame budget and forces accuracy to be traded against speed. We present a replay-free formulation that eliminates this trade-off. Because the reference map stays fixed, rendering the change field is a linear operation. Each new observation can therefore be carried onto the map's Gaussians directly, by a single backward pass of the renderer, which reduces multi-view fusion to an exact two-scalar recursion per Gaussian. Past observations are never stored or revisited. The self-supervised objective that O-SCD minimizes by descent also determines the decision threshold exactly, by sorting, yielding a label-free per-frame cutoff whose margin provides a selective-prediction signal. On PASLCD, our method improves mean intersection over union from 0.489 to 0.575 and throughput from 11.8 to 25.6 frames per second, even exceeding O-SCD's offline result while remaining strictly causal.
• Abstract（参考訳）: オンラインのシーン変化検出では、エージェントが以前マップされた環境で何が変わったのかを、未制約の視点から観察し、将来の観測にアクセスできることなく検出する必要がある。 この因果的設定はオフラインよりも厳格に難しく、オンラインの手法は一貫してオフラインの精度に追随している。 O-SCDは、変化を基準シーンの3次元ガウススプラッティングマップの永続特性として扱い、変化検出精度において最強のオフライン手法を1秒10フレーム以上操作しながら、そのギャップを閉じた。 O-SCDは、参照マップのガウシアンに対する変更フィールドを最適化し、すべてのフレームにおける過去のキューマップにリフィットする。 このトレードオフを解消するリプレイフリーな定式化を提案する。 参照マップは固定されているため、変更フィールドのレンダリングは線形操作である。 したがって、それぞれの新しい観測は、レンダラーの1つの後方通過によって、地図のガウスへ直接運ばれることができ、これにより、多視点融合はガウス毎の正確な2つのスカラー再帰に還元される。 過去の観測は保存されることも再考されることもない。 O-SCDが降下によって最小化する自己監督目的は、選択予測信号を提供するラベルなしフレーム単位のカットオフをソートすることで、決定しきい値を正確に決定する。 PASLCDでは、O-SCDのオフライン結果を超えつつも、0.489から0.575、スループットが11.8から25.6フレーム/秒に向上する。

関連論文リスト

• Hidden Trajectories Don't Lie: Correcting Corruption Drift for Test-Time Adaptation [0.254890465057467]
  テスト時間適応(TTA)は、デプロイ中に発生する分散シフトに事前訓練されたモデルを適用する。 本研究では,ディープニューラルネットワーク上で生成される中間表現の順序列である隠れ軌跡について検討する。 冷凍バックボーンにゼロランクアダプタを付加したDrift-TTAを導入する。
  論文  参考訳（メタデータ） (2026-10-16T20:43:27Z)
• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
  同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。 トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。 OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
  論文  参考訳（メタデータ） (2026-09-06T08:32:59Z)
• CM-MAE: A Physics-Guided Cross-Modal Self-Supervised Learning Framework for Vision-Wireless Applications [4.943233471540466]
  CM-MAEは、クロスシナリオ表現転送のための無線事前トレーニングフレームワークである。 CM-MAEはRGBフレームとDeepSense 6Gで利用可能な64ビーム受信パワーベクトルのみを使用する。
  論文  参考訳（メタデータ） (2026-08-16T23:55:03Z)
• CORA-Diff: Confidence-Oriented Residual Acceptance for Efficient Diffusion Language Model Inference [24.176666448303095]
  拡散言語モデルは、多くのトークンを並列に更新するが、実用的なデコーダは、しばしば固定されたdenoising horizonを使用する。 本研究では,CORA-Diffを提案する。CORA-Diffは,元のトランスファールールを保護し,ルールが未解決な位置にのみ信頼とパーシステンスをゲーティングする訓練自由法である。 その結果,タスク品質を保ったままの繰り返し認知を低減し,信頼感と持続性が確実な残留受容を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2026-07-31T07:32:10Z)
• Guidance Breaks the Fitted Operator: A Terminal-Fitted Repair for Classifier-Free Guidance [0.6768558752130311]
  インテグレータ分析レンズを用いて拡散フリーガイダンス(CFG)を解析する。 このガイダンスは, 判別部分空間を, 異常な1+wに正確に再シュミレーションすることを示す。 DDIMはもはや装着されておらず、粗いメッシュ上では、sigma_minがゼロになるにつれて、ガイドされた残基が分岐する。
  論文  参考訳（メタデータ） (2026-07-08T17:21:51Z)
• Changes in Real Time: Online Scene Change Detection with Multi-View Fusion [11.395231539643603]
  既存のオンラインシーン変更検出手法は、オフラインアプローチよりもはるかに精度が低い。 ポーズに依存しない,ラベルのない,マルチビューの一貫性を保証する,最初のオンラインSCDアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-15T22:12:16Z)
• Leveraging Geometric Priors for Unaligned Scene Change Detection [53.523333385654546]
  Unaligned Scene Change Detectionは、視点アライメントを仮定することなく、異なるタイミングでキャプチャされた画像ペア間のシーン変化を検出することを目的としている。 非整合SCDの中核的課題に対処するために、初めて幾何学的事前を導入する。 視覚基盤モデルの強力な表現とそれらを統合した学習自由フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-14T14:31:08Z)
• Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss [111.8807588392563]
  境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。 本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
  論文  参考訳（メタデータ） (2021-01-28T12:04:35Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。