論文の概要: Tight Learned Event-Inertial Odometry (TLEIO): a Transformer-Based Architecture for End-to-End Motion from Event Streams

• arxiv url: http://arxiv.org/abs/2610.33356v1
• Date: Fri, 23 Oct 2026 22:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.310108
• Title: Tight Learned Event-Inertial Odometry (TLEIO): a Transformer-Based Architecture for End-to-End Motion from Event Streams
• Title（参考訳）: Tight Learned Event-Inertial Odometry (TLEIO): イベントストリームからのエンドツーエンド動作のためのトランスフォーマベースアーキテクチャ
• Abstract要約: 本稿では,Voxelized Event Streamから短時間の相対運動を直接学習する小型パイプラインであるTight Learned Event-Inertial Odometry (TLEIO)を紹介する。 我々はTartanAir/TartanEventベンチマークと実際のDAVIS240cシーケンスでTLEIOを評価する。
• 参考スコア（独自算出の注目度）: 33.758740636386726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event cameras provide microsecond temporal resolution, high dynamic range, and sparse asynchronous measurements, making them compelling for odometry under fast motion and challenging illumination. Yet, accurate event-based state estimation remains difficult: existing systems often use events as a complement to frames or rely on feature tracking, correspondence search, and optimization-heavy backends, limiting the efficiency promised by event sensing. We introduce Tight Learned Event-Inertial Odometry (TLEIO), a compact filter-based pipeline that learns short-window relative motion directly from voxelized event streams and tightly fuses the resulting constraints with IMU propagation. Its learned front-end, EventsFormer, predicts local displacements and per-axis uncertainty from event voxels in a single forward pass, while a stochastic-cloning EKF fuses these overlapping predictions with IMU propagation, producing metric trajectories without explicit feature tracks and pose optimization at inference time. The network is trained directly from pose displacements, without requiring event-flow labels. We evaluate TLEIO on the TartanAir/TartanEvent benchmark and on real DAVIS240c sequences. On TartanAir, TLEIO reduces average ATE from 2.26 m to 1.10 m over the IMU-only TLIO baseline, while achieving up to 48.9% lower runtime than optimization-based event odometry methods.
• Abstract（参考訳）: イベントカメラは、マイクロ秒時間分解能、高ダイナミックレンジ、疎非同期測定を提供し、高速な動作下でのオドメトリーと難解な照明に魅力的である。 既存のシステムは、しばしばフレームの補完としてイベントを使用するか、機能追跡、対応検索、最適化に重きを置くバックエンドに依存し、イベントセンシングによって約束される効率を制限する。 Tight Learned Event-Inertial Odometry (TLEIO)は,Voxelized Event Streamから直接短時間の相対的な動きを学習し,その結果の制約をIMU伝搬と密接に融合する,フィルタベースの小型パイプラインである。 学習したフロントエンドであるEventsFormerは、単一の前方パスにおけるイベントボクセルからの局所的な変位と軸当たりの不確実性を予測し、確率的閉包EKFはこれらの重なり合う予測をIMU伝搬と融合させ、明示的な特徴トラックを伴わずに計量軌道を生成し、推論時に最適化する。 ネットワークは、イベントフローラベルを必要とせずに、ポーズの変位から直接訓練される。 我々はTartanAir/TartanEventベンチマークと実際のDAVIS240cシーケンスでTLEIOを評価する。 TartanAirでは、TLEIOはIMUのみのTLIOベースライン上で平均ATEを2.26mから1.10mに減らし、最適化ベースのイベントオドメトリー法よりも48.9%低いランタイムを実現している。

関連論文リスト

• REACT: A Fully Spiking State-Space Model for Real-Time Event-Driven Temporal Perception [1.410209203415769]
  イベントカメラはマイクロ秒の時間分解能と非同期センシングを提供する。 ほとんどの学習ベースの方法は、イベントをフレームや一時的なビンに蓄積する。 事象駆動型時間知覚のための完全スパイク状態空間モデルREACTを提案する。
  論文  参考訳（メタデータ） (2026-09-16T10:06:06Z)
• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• Following the Flow: Advection-Consistent Modeling for Event-based Small Object Detection [2.925778409623925]
  イベントカメラは、マイクロ秒レイテンシで高周波の視覚知覚を可能にし、ダイナミックシーンの利点を提供する。 しかし,ノイズによって容易に破壊される疎度な非同期測定と弱いオブジェクト応答のため,イベントベースの小さなオブジェクト検出は依然として困難である。 本研究では,運動駆動型特徴輸送プロセスとしてイベント進化を定式化するPACTという物理誘導型対流抵抗型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-21T07:56:34Z)
• Event-based Visual Deformation Measurement [76.25283405575108]
  視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。 従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。 本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T01:04:48Z)
• SEDformer: Event-Synchronous Spiking Transformers for Irregular Telemetry Time Series Forecasting [38.10862458322239]
  テレメトリIMTS予測のためのSEDエンハンススパイキングトランスであるSEDformerを提案する。 SEDformerは、エネルギーとメモリ使用量を削減しながら最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2026-02-02T15:33:30Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)

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。