論文の概要: Spade-SLAM: Sparse Correspondence Anchors for Dense Self-Supervised Visual SLAM

• arxiv url: http://arxiv.org/abs/2611.01937v1
• Date: Sun, 01 Nov 2026 14:14:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:17:56.956467
• Title: Spade-SLAM: Sparse Correspondence Anchors for Dense Self-Supervised Visual SLAM
• Title（参考訳）: Spade-SLAM:Dense Self-Supervised Visual SLAMのためのスパース対応アンカー
• Abstract要約: Spade-SLAMは、自己監督型の高密度ビジュアルSLAMフレームワークである。 高忠実度追跡は, 地平線ポーズや深度ラベルを伴わずに達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 49.08969060755559
• License:
• Abstract: We introduce Spade-SLAM, a self-supervised dense visual SLAM framework that substantially narrows the long-standing performance gap to supervised methods in a zero-shot setting. By demonstrating that high-fidelity tracking can be achieved without explicit ground-truth pose and depth labels, our approach offers a highly effective and label-efficient alternative to fully supervised pretraining. Our core contribution is a complementary sparse-to-dense training regime: While a warping-based photometric loss provides a dense training signal, we stabilize the optimization and suppress drift in ambiguous regions using a sparse correspondence loss derived from image feature matches. Extensive experiments demonstrate that Spade-SLAM significantly improves robustness and accuracy compared to existing self-supervised baselines, closely rivaling SLAM systems trained with explicit pose and depth supervision. The code will be made publicly available at https://github.com/JulianPSchmitt/Spade-SLAM.
• Abstract（参考訳）: ゼロショット設定で教師付きメソッドに長期間のパフォーマンスギャップを著しく狭める、自己教師付き高密度視覚SLAMフレームワークであるSpade-SLAMを紹介した。 提案手法は,高忠実度追跡を,明示的な地味なポーズや深度ラベルを使わずに達成できることを実証することにより,完全教師付き事前学習に対する高効率かつラベル効率のよい代替手段を提供する。 ワーピングに基づく測光損失は、濃密なトレーニング信号を提供するが、我々は、画像特徴マッチングから得られたスパース対応損失を用いて、曖昧な領域でのドリフトを安定化し、抑制する。 大規模な実験により、スプレード-SLAMは既存の自監督ベースラインに比べて頑丈さと精度を著しく向上し、明示的なポーズと深度監視で訓練されたSLAMシステムと密接に競合することが示された。 コードはhttps://github.com/JulianPSchmitt/Spade-SLAM.comで公開される。

関連論文リスト

• When Does Sparsity Mitigate the Curse of Depth in LLMs [53.137717161619484]
  本研究では,分散伝播の規制として空間空間が機能し,深度利用が向上することを示す。 以上の結果から,大規模な言語モデルにおいて,より効率的な深度スケーリングを実現するための重要なメカニズムとして,スパーシリティが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-16T15:04:16Z)
• VIGS-SLAM: Visual Inertial Gaussian Splatting SLAM [75.55522219717137]
  視覚-慣性3DガウスプラッティングSLAMシステムであるVIGS-SLAMについて述べる。 堅牢なリアルタイムトラッキングと高忠実度再構築を実現する。 本手法は,一貫した最適化フレームワーク内に視覚的および慣性的キューを密結合する。
  論文  参考訳（メタデータ） (2025-12-02T00:19:13Z)
• Patch-Level Kernel Alignment for Dense Self-Supervised Learning [7.5866326278176075]
  Patch-level Kernel Alignment (PaKA) は、非パラメトリックなカーネルベースのアプローチで、事前学習した視覚エンコーダの高密度表現をポスト(pre)トレーニングで改善する。 本フレームワークは,事前学習モデル上に軽量な後学習段階を施すことにより,高密度表現を改善する。 1つのGPUで14時間追加のトレーニングを行うだけで、この手法は様々な高密度ビジョンベンチマークで最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2025-09-06T05:42:32Z)
• SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
  ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。 既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。 局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
  論文  参考訳（メタデータ） (2024-04-17T14:23:28Z)
• DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
  公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。 本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。 累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-01-17T12:08:30Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• SA-LOAM: Semantic-aided LiDAR SLAM with Loop Closure [12.970919078106634]
  LOAM(SA-LOAM)をベースとしたループ閉鎖型セマンティック支援LiDAR SLAMを提案する。 局所化精度を改善し、ループ閉鎖を効果的に検出し、大規模シーンにおいてもグローバルな一貫したセマンティックマップを構築することができる。
  論文  参考訳（メタデータ） (2021-06-22T03:14:20Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)

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。