信頼すべき対応を学習：LiDAR地図におけるイベントカメラの信頼度重み付き位置推定

イベントカメラを事前構築済みの LiDAR map に対してローカライズする手法 CELL を提案する。 - 問題設定: レンダリングされた depth view と event image 間の dense optical-flow 推定を行い、得られた 3D-2D correspondences に対して PnP solver を適用する。 - 課題: 既存 pipeline は pose estimation 時の geometric consensus に依存し、各 correspondence の reliability や pose informativeness を明示的にモデル化していない。 - 提案: correspondence ごとの confidence を end-to-end で学習し、それを用いて localization を改善する。

既存手法は geometric consensus に頼り、個々の correspondence の信頼性や pose への効き方を明示的に扱わない。 - 単純に per-correspondence error で confidence を学習すると depth-dependent bias が生じる。 - 小さな pixel error は大きな depth に偏在し、高い pose informativeness に結びつかない。 - CELL は differentiable probabilistic PnP を通じて pose から end-to-end に confidence を学習し、この bias を回避する。 - 結果として LEAR baseline に対し、median translation error を最大 26.9%、median rotation error を最大 15.8% 削減。

correspondence ごとの confidence を pose を通して end-to-end 学習する。 - differentiable probabilistic PnP を用い、その log-partition term がより良く制約された pose 分布を与える weight 配置を促す。 - 学習した confidence の用途: - (i) decoupled training scheme で flow supervision を再重み付けし、pose gradients を flow/edge backbone に入れない。 - (ii) test 時に probabilistic correspondence selection を駆動。 - (iii) network の edge-probability と共に最終の edge-matching refinement を重み付け。 - 加えて、大きな gap を hallucinate せずに signal を追加する partial-completion depth represent…

M3ED と DSEC のデータセットで評価。 - 評価した sequence の大多数で LEAR baseline を上回る。 - median translation error を最大 26.9%、median rotation error を最大 15.8% 削減。 - 詳細な ablation や実装の詳細は要旨からは不明。

per-correspondence error で confidence を学習する素朴な方法は depth-dependent bias を持つと指摘。 - 小さな pixel error が大きな depth に偏在し、pose informativeness が高くならない問題を議論。 - 提案手法は differentiable probabilistic PnP の log-partition term でこの問題に対処。 - 限界や失敗ケース、計算コストなどは要旨からは不明。

要旨で参照/比較されている研究: LEAR baseline。 - 関連手法: dense optical-flow estimation、Perspective-n-Point (PnP) solver、differentiable probabilistic PnP、geometric consensus に基づく pose estimation。 - データセット: M3ED、DSEC。 - 同分野の定番として event-camera localization、LiDAR map を用いた localization、optical-flow ベースの correspondence 推定に関する研究が次に読むべき候補。