論文の概要: Bracketing Shows the Way: Adaptive Multi-Exposure Policy as Input for Robust Visual SLAM

• arxiv url: http://arxiv.org/abs/2610.33174v1
• Date: Fri, 23 Oct 2026 18:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.263528
• Title: Bracketing Shows the Way: Adaptive Multi-Exposure Policy as Input for Robust Visual SLAM
• Title（参考訳）: ブラッキングは道を示す:ロバストなビジュアルSLAMのための入力としての適応型マルチ露光ポリシー
• Abstract要約: 高速照明遷移は、自動露光(AE)ポリシーが適応する前に画像を飽和させることで、視覚SLAM(VSLAM)を妨害する可能性がある。 B-Adaptは、光度重なりを助長しながらシーンのダイナミックレンジをカバーするための適応露光ブラケットを取得し、BVSLAMは因子グラフ状態の制約としてマルチ露光シーケンスを直接使用する。
• 参考スコア（独自算出の注目度）: 5.862244086706422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid illumination transitions can disturb Visual SLAM (VSLAM) by saturating images before the Automatic Exposure (AE) policy adapts, removing the visual correspondences needed to maintain tracking. Our proposed methods mitigate this disturbance at two levels: B-Adapt acquires adaptive exposure brackets to cover the scene dynamic range while promoting photometric overlap, and BVSLAM directly uses the multi-exposure sequence as constraints in a factor graph state estimator without relying on High Dynamic Range (HDR) merging. We evaluate both methods against state-of-the-art approaches in nominal environments and during a repeated tunnel-exit transition at an emulated vehicle speed of 32 m s-1. In the tunnel, combining our B-Adapt with BVSLAM reduces the state estimation error by 78 % compared with AE images. These results suggest that bracketing efficiently improves visual pose estimation robustness to rapid illumination disturbances while retaining low error under nominal conditions. Our code is available at https://github.com/norlab-ulaval/bracketing-shows-the-way.
• Abstract（参考訳）: 高速照明遷移は、自動露光(AE)ポリシーが適応する前に画像を飽和させ、トラッキングを維持するために必要な視覚対応を取り除くことで、視覚SLAM(VSLAM)を妨害する可能性がある。 また,BVSLAMでは高ダイナミックレンジ(HDR)マージに依存しない因子グラフ状態推定器の制約としてマルチ露光シーケンスを直接利用する。 実験車両の走行速度32 m s-1 において,名目環境での最先端アプローチと繰り返しトンネル出口遷移の両手法について検討した。 トンネルでは,B-Adapt と BVSLAM を組み合わせることで,AE 画像と比較して状態推定誤差が78 %削減される。 以上の結果から,ブラケットによる視覚的ポーズ推定の堅牢性の向上が期待できる。 私たちのコードはhttps://github.com/norlab-ulaval/bracketing-shows-the-wayで利用可能です。

関連論文リスト

• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Self-Reference Deep Adaptive Curve Estimation for Low-Light Image Enhancement [7.253235412867934]
  自己参照深部適応曲線推定(Self-DACE)と呼ばれる2段階低照度画像強調手法を提案する。 最初の段階では、直感的で、軽量で、高速で、教師なしの輝度向上アルゴリズムを提示する。 また,自然画像の色,構造,忠実度を保存するために,物理モデルを単純化した新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2023-08-16T07:57:35Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment [86.97592472794724]
  そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。 提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。 提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-28T17:53:46Z)
• Event-aided Direct Sparse Odometry [54.602311491827805]
  本稿では,イベントとフレームを用いた直接単眼視覚計測法であるEDSを紹介する。 我々のアルゴリズムは、イベント生成モデルを利用して、フレーム間のブラインドタイムにおけるカメラの動きを追跡する。 EDSは直接アプローチでイベントとフレームを使用して6-DOF VOを実行する最初の方法である。
  論文  参考訳（メタデータ） (2022-04-15T20:40:29Z)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。