論文の概要: Evaluation of Front-End Feature Matching for Lunar Visual SLAM

• arxiv url: http://arxiv.org/abs/2610.30774v1
• Date: Thu, 22 Oct 2026 05:52:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.227777
• Title: Evaluation of Front-End Feature Matching for Lunar Visual SLAM
• Title（参考訳）: 月視SLAMにおけるフロントエンド特徴マッチングの評価
• Abstract要約: 視力計測とSLAMは、主にフレーム間の特徴の一致によって動きを推定する。 参考ポーズの実際の月像は乏しい。 我々は、9つの合成、月面テスト、地上アナローグデータセットに対して、11の古典的および学習された検出器・マーチャーの組み合わせをベンチマークした。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lunar rovers will primarily rely on cameras for localization until navigation satellite services are deployed, and will continue to need them afterwards for relative navigation, hazard detection, and surface operations. Visual odometry (VO) and Simultaneous Localization and Mapping (SLAM) mostly estimate motion by matching features between frames. However, feature matchers are developed on urban, indoor and driving scenes, planetary studies compare them on orbital registration or within complete SLAM systems, and real lunar imagery with reference poses is scarce, so matching between rover frames on low-texture, harshly lit terrain, and its effect on VO, has not been compared. We benchmark eleven classical and learned detector-matcher combinations on nine synthetic, lunar-testbed, and terrestrial-analogue datasets, and a feature tracker, scoring pairwise pose accuracy against baseline and the trajectory error of the resulting VO. Under a common rotation-only metric, the SuperPoint pairings outperform SIFT with ratio-tested FLANN matching on both lunar testbeds and one analogue site, with smaller or unresolved differences on synthetic data. When rotation and translation direction are scored jointly, this SIFT pairing exceeds both SuperPoint pairings on four synthetic datasets, so synthetic results alone do not establish relative performance on real rover imagery. In stereo VO, the SuperPoint pairings are not consistently more accurate than SIFT, but only they keep tracking on all eight sequential datasets. Pairings with classical detectors depend on lighting while SuperPoint changes little: a low spotlight makes them more accurate than diffuse light on the same testbed views, consistent with more contrast and detected keypoints. SuperPoint with LightGlue is the fastest learned combination (16 ms per frame), and DINOv2 retrieval proposals still need geometric verification.
• Abstract（参考訳）: 月面探査機は、航法衛星サービスが配備されるまでは、主にカメラのローカライゼーションに頼り、その後、相対航法、ハザード検出、表面操作のためにそれらを必要とし続ける。 視覚計測(VO)と同時局在マッピング(SLAM)は、主にフレーム間の特徴の一致による動きを推定する。 しかし, 都市, 屋内, 運転現場で特徴マッチングが開発され, 軌道登録やSLAMシステム内での惑星観測で比較され, 基準ポーズの実際の月像は乏しいため, 低テクスチャ, 厳しい照らされた地形におけるローバーフレームのマッチングとVOへの影響は比較されていない。 提案手法は,9つの合成,月面検定,地上検定,地上検定の9つのデータに対して,11種類の古典的および学習的な検定,検定,検定,検定,検定,検定,検定,検定,検定,検定,検定,検定,検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定、検定 一般的な回転のみのメートル法の下では、SuperPointのペアリングはSIFTより優れており、月のテストベッドと1つのアナログサイトの両方で比較試験されたFLANNが一致し、合成データではより小さいか未解決の差がある。 このSIFTペアリングは4つの合成データセット上でのSuperPointペアリングを超えるため、合成結果だけでは実際のローバー画像に対する相対的な性能は確立しない。 ステレオVOでは、SuperPointのペアリングはSIFTより一貫して正確ではないが、8つのシーケンシャルデータセットのすべてを追跡するだけである。 スポットライトが低いことで、同じテストベッドビューで光を拡散させるよりも正確になり、コントラストと検出されたキーポイントが一致します。 SuperPoint with LightGlueは1フレームあたり16ミリ秒という学習速度の速い組み合わせであり、DINOv2検索の提案には幾何的検証が必要である。

関連論文リスト

• LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
  本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。 ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。 nuScenesとVIRATの実験は、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T06:44:02Z)
• BEVIO: Efficient Bird's-Eye-View based Sparse-Update Visual-Inertial Odometry for Lunar Day-Night Navigation [11.980837576325918]
  本研究は,月面ローバーの信頼性の高い視覚-慣性オドメトリー (VIO) の実現について検討する。 本研究では,大きなフレーム間動きに対して頑健であり,視覚的変化が著しいにもかかわらず,より信頼性の高い特徴マッチング方式として,Bird's Eye View (BEV) を用いた画像マッチング方式を提案する。 以上の結果から, 夜間および夜間の自己照度トラバースを視認率0.25Hzで実現できることが示唆された。
  論文  参考訳（メタデータ） (2026-05-30T12:32:18Z)
• Benchmarking Visual Feature Representations for LiDAR-Inertial-Visual Odometry Under Challenging Conditions [11.85572971097983]
  本稿では,直接測光手法と記述子に基づく特徴マッチングを統合するハイブリッド手法を提案する。 実験の結果,提案手法は従来のスパース法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-19T07:56:49Z)
• CoWTracker: Tracking by Warping instead of Correlation [53.834673070954494]
  ワープに有利なコストを削減できる高密度な点トラッカーを提案する。 近年の光学的流れの進展に触発されて,本手法では,現在の推定値に基づいて,対象フレームからクエリフレームへ特徴を変換することで,トラック推定を反復的に洗練する。 我々のモデルは,TAP-Vid-DAVIS,TAP-Vid-Kinetics,Robo-TAPなど,標準的な高密度点追跡ベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-04T18:58:59Z)
• Comparative Evaluation of Traditional and Deep Learning Feature Matching Algorithms using Chandrayaan-2 Lunar Data [0.0]
  様々な月面センサーのデータを調整することは、解像度、照明、センサーの歪みの違いによって困難である。 我々は赤道領域と極域領域のクロスモダリティ画像ペアを用いた5つの特徴マッチングアルゴリズムの評価を行った。 ジオレファレンス、解像度アライメント、強度正規化、適応ヒストグラム等化などの拡張を含む前処理パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-05T03:10:00Z)
• SOTA: Spike-Navigated Optimal TrAnsport Saliency Region Detection in Composite-bias Videos [50.51658520045165]
  Spike-d TrAnsport Saliency Region Detection (SOTA)は、スパイクカメラの強度を活用しつつ、空間次元と時間次元の両方のバイアスを緩和するフレームワークである。 本手法では,微妙なフレーム・ツー・フレームの変動を捉えるために,スパイクに基づくマイクロデビア(SM)を導入する。 SOTAは様々な条件にまたがる不整合を減らして予測を洗練させる。
  論文  参考訳（メタデータ） (2025-05-01T08:30:40Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
  AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。 AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。 ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
  論文  参考訳（メタデータ） (2023-07-28T08:05:36Z)
• Ground-Assisted Federated Learning in LEO Satellite Constellations [39.646300161201076]
  フェデレートラーニング(FL)に基づく新しいアルゴリズムセットを提案する。 我々のアプローチは、星座に存在しない予測可能な接続パターンを考慮すると、標準のFLアルゴリズムとは大きく異なる。 特に、達成されたテスト精度は集中型解の96%から99.6%以内である。
  論文  参考訳（メタデータ） (2021-09-03T07:17:20Z)
• Sequential Place Learning: Heuristic-Free High-Performance Long-Term Place Recognition [24.70946979449572]
  学習ベースのCNN+LSTMアーキテクチャを開発し、バックプロパゲーションを通じてトレーニングし、視点および外観不変の場所認識を実現します。 我々のモデルは、新しい最先端パフォーマンス標準を設定しながら、15の古典的手法より優れています。 さらに, SPL は 729 km の経路において, 従来の方法よりも 70 倍高速に展開可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-02T22:57:43Z)

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。