スパース点群出力を備えた深層イベントビジュアルオドメトリの拡張
Extending Deep Event Visual Odometry with Sparse Point-Cloud Export
イベントカメラ用の深層ビジュアルオドメトリ(DEVO)に、内部で推定した3次元構造をスパース点群として出力するパイプラインを追加し、可視化や後処理を可能にした。実験では、出力された点群が局所的に高精度である一方、密度や完全性に限界があることを示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Alireza Safdari, Sajad Ashraf
分類: cs.RO, cs.CV
原文アブストラクト
Event cameras are well suited for visual odometry under high-speed motion and challenging lighting conditions due to their low latency, high temporal resolution, and high dynamic range. Deep Event Visual Odometry (DEVO) demonstrated that monocular event-only odometry can achieve strong performance by combining sparse patch tracking, learned patch selection, recurrent correspondence refinement, and differentiable bundle adjustment. In this project, we extend DEVO with a sparse point-cloud export pipeline. Rather than modifying the core odometry formulation, our approach exposes the internal 3D structure already estimated by DEVO and converts it into an explicit point-cloud representation for visualization and further processing. In addition, we implement a practical workflow for data export, format conversion, and point-cloud cleanup. The resulting system preserves the original visual odometry pipeline while enabling sparse geometric scene output. Experiments on the BOARD SLOW sequence show that the exported sparse cloud is locally consistent with EMVS reconstructions, achieving high precision at a 5 cm threshold, while also highlighting the expected limitations in density, completeness, and sensitivity to accumulated odometry noise.
関連論文
- 球面バンドル調整ガイド付き教師なし深度学習によるスケール整合単眼魚眼ビジュアルオドメトリビジュアルオドメトリ
- ROEVO: RGB-Dカメラを用いたロバストな組織化エッジ特徴に基づくビジュアルオドメトリビジュアルオドメトリ
- HyVGGT-VO: フィードフォワードモデルと密結合したハイブリッド高密度ビジュアルオドメトリビジュアルオドメトリ
- RGB-Dカメラを用いた高速軽量な非反復型ビジュアルオドメトリビジュアルオドメトリ
- 屋内環境向け連続3Dガウスマップを用いた直接スパースオドメトリビジュアルオドメトリ
- パノラマ直接LiDAR支援ビジュアルオドメトリビジュアルオドメトリ
