論文の概要: A Straight Line Is Not a Camera Pose: Auditing Short-Clip Pose Benchmarks

• arxiv url: http://arxiv.org/abs/2611.00482v1
• Date: Sat, 31 Oct 2026 00:14:11 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:19:00.943512
• Title: A Straight Line Is Not a Camera Pose: Auditing Short-Clip Pose Benchmarks
• Title（参考訳）: 直線線はカメラ・ポースではない:短いクリック・ポース・ベンチマークを観る
• Abstract要約: 共通Sintelプロトコルでは、画像を使用しない定速度直線が、最新の11モデルのうち10よりも低い平均ATEを持つ。 残留信号対雑音比(SNR)基準は、予測を一定の速度に移動するとATEが低下する。 Sintelのすべてのモデルより下のすべての画像のない参照をランク付けし、回転と直線化の下で再投影エラーを追跡する。
• 参考スコア（独自算出の注目度）: 1.3416250383686865
• License:
• Abstract: The absolute trajectory error (ATE) is the standard measure of camera-motion accuracy, from SLAM to feed-forward 3D reconstruction. On the common Sintel protocol, a constant-velocity straight line using no images has a lower mean ATE than 10 of 11 recent models re-run with official code. Two properties of ATE's alignment explain this. First, it maps any constant-velocity prediction onto the best-fitting line through the true path, so the line scores the path's regression residual. A residual signal-to-noise ratio (SNR) criterion predicts when moving a prediction towards its constant-velocity fit lowers ATE. It gives the outcome for 95% of 1056 model-clip pairs, 98% of 792 held-out pairs and 97% of 1034 ScanNet pairs, and it separates Sintel (median SNR 0.86) from TUM, ScanNet and full-length Bonn and Wild-SLAM (2.7 to 27), where straightening raises every model's mean ATE. Second, position-only alignment ignores where cameras look: rotating a trajectory by 30 degrees against its orientations leaves ATE unchanged, yet worsens the reprojection of static points for every model on Sintel, TUM and ScanNet in the main setting, and the line, second by mean ATE on Sintel, places them worst by geometric mean: a lower ATE need not mean better geometry. Fitting the alignment's rotation to the predicted orientations gives pose-anchored ATE, a one-function change in ATE's units costing 0.17 ms per clip (ATE: 0.11 ms). It ranks every image-free reference below every model on Sintel, tracks the reprojection error under rotation and straightening, where ATE does not (Spearman 0.61 vs. 0.32), largely preserves the models' order, and ties 10-frame translational relative pose error (RPE) and the discernible trajectory error (DTE) on our rotation and reference tests. Code, predictions and results will be released.
• Abstract（参考訳）: 絶対軌道誤差(ATE)は、SLAMからフィードフォワード3D再構成までのカメラモーション精度の標準尺度である。 共通Sintelプロトコルでは、画像を使用しない定速度直線が、最新の11モデルのうち10よりも低い平均ATEを持つ。 ATEのアライメントの2つの特性はこのことを説明している。 第一に、任意の定速度予測を真の経路を通した最適な直線にマッピングするので、直線は経路の回帰残差をスコアする。 残留信号対雑音比(SNR)基準は、予測を一定の速度に移動するとATEが低下する。 1056のモデルクリップペアの95%、762のホールトアウトペアの98%、1034のScanNetペアの97%、Sintel(中型SNR 0.86)とTUM、ScanNetとフル長のBonとWild-SLAM(2.7から27)を分離する。 第2に、位置のみのアライメントは、カメラがどこに見えるかを無視している: 軌道を30度回転する方向の葉 ATE は変化しないが、Sintel、TUM、ScanNetの各モデルに対する静的点の再投影が主設定で悪化する。 アライメントの回転を予測された向きに合わせると、ATEのユニットは1クリップあたり0.17ミリ秒(ATE: 0.11ミリ秒)で一機能変更される。 Sintelのすべてのモデルより下のすべての画像のない参照をランク付けし、回転と直線化の下で再射誤差をトラックし、ATEは(Spearman 0.61 vs. 0.32)モデルの順序をほとんど保存せず、10フレームの翻訳相対ポーズエラー(RPE)と識別可能な軌道誤差(DTE)をローテーションと参照テストで結びつける。 コード、予測、結果がリリースされる。

関連論文リスト

• Learning Wheel Motion Uncertainty for Degeneracy-Aware LiDAR-Inertial Odometry on Quadrupedal Wheel-Legged Robots [4.4749879494851195]
  スリップ・アンド・コンタクト・ロスはローリング予測を信頼できないものにする。 密結合型LiDAR慣性波動計測フレームワークを提案する。 幾何的および車輪運動の困難な条件下で頑健なオドメトリーを実証する。
  論文  参考訳（メタデータ） (2026-10-19T15:12:23Z)
• IntriAdapt: Generalizable Intrinsic-Guided Test-Time Adaptation for Metric Geometry Estimation [60.81776192635288]
  現在の幾何学モデルは、推論中に供給されたまたは予測された内生学を取り入れているが、モデル適応を監督するためにそれらを使用しない。 この閉形式幾何学的残差を最小限に抑えるフレームワークである textitIntriAdapt を提案する。 10のシングルイメージと7つのシークエンスベンチマークの実験では、textitIntriAdaptは、メートル法精度と相対幾何学において、未適応とオラクル-内在の両方のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-10-17T10:22:45Z)
• 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)
• Do Better Imagined Rollouts Mean Better Robot Control? A Controlled Study of World-Model Evaluation Under Feedback [2.5209477824050954]
  予測モデルは、固定地平線上でのオープンループ予測精度によってしばしば判断される。 クローズドループ操作では、ロボットが繰り返し行動し、新しい測定値を受け取り、状態推定を更新し、制御を再計算する。 正則な修正が保たれている場合, 長い予測地平線は情報的であり, 補正なしの長時間のロールアウトは閉ループの挙動と大きく異なるランキングを生成できることを示す。
  論文  参考訳（メタデータ） (2026-09-02T16:52:30Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• What's Wrong with the Absolute Trajectory Error? [14.533304890042361]
  本研究では,再構成されたカメラ軌跡の精度を評価するための代替誤差指標を提案する。 DTE (Disnalible Trajectory Error) と呼ばれる我々の測定値は5段階で計算される。 また、DTEに類似した長所を持つDRE(Disdisernible Rotation Error)という新しい回転誤差指標を提案する。
  論文  参考訳（メタデータ） (2022-12-10T23:48:27Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。