ViBA：幾何学的および時間的整合性を備えた堅牢な視覚マッチングのための、暗黙的バンドル調整

要旨: 既存のほとんどの画像キーポイント検出および記述手法は、正確な姿勢および深度の注釈が付いたデータセットに依存しており、スケーラビリティや汎化性を制限するとともに、ナビゲーションおよびローカライゼーションの性能を低下させがちです。本研究では、制約のない動画ストリーム上での継続的なオンライン学習を実現するために、幾何学的最適化と特徴学習を統合したサステナブル（持続可能な）学習フレームワークViBAを提案します。標準的な視覚オドメトリのパイプラインに組み込まれており、暗黙的に微分可能な幾何学的残差フレームワークから構成されます: (i) フレーム間の対応関係のための初期トラッキングネットワーク、(ii) 深度ベースの外れ値フィルタリング、(iii) 投影誤差を最小化することでカメラ姿勢と特徴点の位置を同時に洗練（リファイン）する微分可能な全体バンドル調整です。BAからの幾何学的整合性と、フレームをまたぐ長期的な時間整合性を組み合わせることで、ViBAは安定したかつ正確な特徴表現を強制します。ViBAをEuRoCおよびUMAデータセットで評価します。SuperPoint+SuperGlue、ALIKED、LightGlueといった最先端手法と比較して、ViBAはシーケンス全体で平均絶対並進誤差（ATE）を12-18%低減し、平均絶対回転誤差（ARE）を5-10%低減しつつ、リアルタイム推論速度（FPS 36-91）を維持します。未知のシーケンスで評価した場合も、90%以上のローカライゼーション精度を保持し、頑健な汎化を示します。これらの結果は、ViBAが幾何学的整合性および時間整合性による継続的なオンライン学習を支援し、現実世界のシナリオにおいてナビゲーションとローカライゼーションを一貫して改善できることを示しています。