論文の概要: Evaluating Depth-Augmented Visual Features for Cross-Dataset Lunar Traversability Estimation

• arxiv url: http://arxiv.org/abs/2611.03430v1
• Date: Mon, 02 Nov 2026 16:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:35:45.833355
• Title: Evaluating Depth-Augmented Visual Features for Cross-Dataset Lunar Traversability Estimation
• Title（参考訳）: 深度付加型視覚特徴量を用いた相互データセットによる月経可逆性推定
• Abstract要約: 我々は、深度から得られる幾何学的情報によって視覚的特徴を増強するための弱教師付きフレームワークを構築した。 2つの地球アナログデータセットと実際の月のChang'E PCAMデータセットを用いて、ドメイン内およびクロスドメイン設定の両方でモデルを評価する。 いずれの設定においても、自然な幾何学的拡張により、強い視覚のみのベースラインよりも一貫した改善が得られない。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous mobility is essential for sustained lunar surface operations, as communication delays and line-of-sight occlusions limit continuous teleoperation. Although recent traversability estimation methods increasingly rely on deep learning, the domain gap between terrestrial analogue environments and real lunar terrain can limit their generalisation, and real lunar traversability labels are scarce, making fully supervised training difficult. To address these challenges, we build a weakly supervised framework trained on sparse pairwise annotations and study whether augmenting visual features with depth-derived geometric information: depth, surface normals, and combined geometric descriptors. We evaluate the models in both in-domain and cross-domain settings using two terrestrial analogue datasets and the real lunar Chang'E PCAM dataset. Contrary to expectations, we find that naive geometric augmentation yields no consistent improvement over a strong visual-only baseline in either setting, with effects small relative to seed-to-seed variance. Instead, the choice of training source emerges as the dominant factor in transfer quality: models trained on domain-relevant sources transfer substantially better to real lunar imagery than the geometric fusion strategy improves any single model. Our evaluation runs onboard a resource-constrained edge device and provides a controlled baseline for designing more expressive multimodal fusion architectures in future lunar perception systems.
• Abstract（参考訳）: 通信遅延とライン・オブ・オクルージョンが連続的な遠隔操作を制限するため、月面活動の持続には自律移動が不可欠である。 近年の可逆性推定手法は深層学習にますます依存しているが、地上のアナログ環境と実際の月面地形の間の領域ギャップは一般化を制限し、実際の月面の可逆性ラベルは乏しく、完全な教師付き訓練を困難にしている。 これらの課題に対処するために、疎対アノテーションに基づいて訓練された弱教師付きフレームワークを構築し、深度、表面正規化、および統合幾何記述子を含む深度由来の幾何学的情報による視覚的特徴の増大について検討する。 2つの地球アナログデータセットと実際の月のChang'E PCAMデータセットを用いて、ドメイン内およびクロスドメイン設定の両方でモデルを評価する。 期待とは対照的に、直感的な幾何学的拡張は、いずれのセットにおいても強い視覚のみのベースラインよりも一貫した改善をもたらすことはなく、種子から種子への分散に対する影響は小さい。 ドメイン関連ソースでトレーニングされたモデルは、幾何学的融合戦略がどのモデルでも改善するよりも、実際の月像にかなり優れている。 本評価は,資源制約されたエッジデバイス上で動作し,将来の月面認識システムにおいて,より表現力のあるマルチモーダル融合アーキテクチャを設計するための制御ベースラインを提供する。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
  事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。 データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。 さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
  論文  参考訳（メタデータ） (2026-07-02T06:56:29Z)
• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• RADAR: Relative Angular Divergence Across Representations [4.603755953026689]
  基礎モデルにおけるクロスドメイン転送可能性を推定するための簡易で幾何的に基底化された測度であるRADARを提案する。 テキスト埋め込みモデルを用いた言語間感情分類や、基礎視覚モデルを用いたドメイン間イメージ分類など、複数のモダリティにまたがるメトリクスを評価する。 我々の主張は、転送可能性推定の有効性はモデルの内部表現空間の幾何学に依存することを示唆している。
  論文  参考訳（メタデータ） (2026-05-21T20:51:00Z)
• LuMon: A Comprehensive Benchmark and Development Suite with Novel Datasets for Lunar Monocular Depth Estimation [10.338068283985413]
  月探査のためのMDE手法を評価するための総合的なベンチマークフレームワークであるLuMonについて述べる。 本稿では,実際のChang'e-3ミッションとCHERIダークアナログデータセットから,高品質なステレオグラウンド真理深度を特徴とする新しいデータセットを紹介する。 私たちは、クレーター、岩、極端な陰影、そして様々な深さ範囲といったミッションクリティカルな課題に対して、パフォーマンスを厳格に評価します。
  論文  参考訳（メタデータ） (2026-04-10T14:24:07Z)
• Test-Time Adaptation for Height Completion via Self-Supervised ViT Features and Monocular Foundation Models [1.433758865948252]
  Prior2DSMは、テスト時に完全に動作するメトリックDSM補完のためのトレーニングフリーフレームワークである。 構造的忠実性を維持しながら復元誤差を低減し、RMSEを最大46%削減する。
  論文  参考訳（メタデータ） (2026-04-02T13:13:17Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• A Class of Geometric Structures in Transfer Learning: Minimax Bounds and Optimality [5.2172436904905535]
  我々はソースとターゲットドメインの幾何学的構造を転写学習に活用する。 提案手法は,中等度・高次元の両方で最先端の伝達学習法より優れる。
  論文  参考訳（メタデータ） (2022-02-23T18:47:53Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)

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。