論文の概要: ResDepth: Learned Residual Stereo Reconstruction
- arxiv url: http://arxiv.org/abs/2001.08026v3
- Date: Fri, 18 Jun 2021 16:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 18:39:02.677386
- Title: ResDepth: Learned Residual Stereo Reconstruction
- Title(参考訳): resdepth: 学習されたステレオ再構成
- Authors: Corinne Stucker and Konrad Schindler
- Abstract要約: 我々は、残差補正を回帰することで、再建を強化するために深層ネットワークを訓練する。
ベルとホイッスルのない標準的なUnetは、小さな表面の詳細を再構築するのに十分である。
本モデルでは,最先端ステレオシステムの平均絶対誤差を50%削減する。
- 参考スコア(独自算出の注目度): 26.775391052902634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an embarrassingly simple but very effective scheme for
high-quality dense stereo reconstruction: (i) generate an approximate
reconstruction with your favourite stereo matcher; (ii) rewarp the input images
with that approximate model; (iii) with the initial reconstruction and the
warped images as input, train a deep network to enhance the reconstruction by
regressing a residual correction; and (iv) if desired, iterate the refinement
with the new, improved reconstruction. The strategy to only learn the residual
greatly simplifies the learning problem. A standard Unet without bells and
whistles is enough to reconstruct even small surface details, like dormers and
roof substructures in satellite images. We also investigate residual
reconstruction with less information and find that even a single image is
enough to greatly improve an approximate reconstruction. Our full model reduces
the mean absolute error of state-of-the-art stereo reconstruction systems by
>50%, both in our target domain of satellite stereo and on stereo pairs from
the ETH3D benchmark.
- Abstract(参考訳): 我々は,高品位高密度ステレオ再構成のための恥ずかしいほど単純だが非常に効果的な手法を提案する。
(i)お気に入りのステレオマッチング機で近似的な再構成を生成する。
(ii)その近似モデルで入力画像をリワープすること。
(iii)初期復元と歪画像の入力により、残差補正を回帰させることにより、深層ネットワークを訓練し、復元を強化する。
(iv)新しく改良された再建により、改良を繰り返すこと。
残余を学習する戦略は学習問題を非常に単純化する。
ベルやホイッスルのない標準的なunetは、衛星画像のドーマーや屋根のサブ構造など、小さな表面の詳細を再構築するのに十分です。
また,少ない情報で残像の復元を検討した結果,単一の画像であっても近似復元を大幅に改善できることがわかった。
本モデルでは,衛星ステレオのターゲット領域とeth3dベンチマークのステレオペアの両方において,最先端ステレオ復元システムの平均絶対誤差を50%以上低減する。
関連論文リスト
- GTR: Improving Large 3D Reconstruction Models through Geometry and Texture Refinement [51.97726804507328]
マルチビュー画像から3次元メッシュを再構成する手法を提案する。
提案手法は, 変圧器を用いたトリプレーンジェネレータとニューラルレージアンスフィールド(NeRF)モデルを用いた大規模再構成モデルから着想を得たものである。
論文 参考訳(メタデータ) (2024-06-09T05:19:24Z) - Latent Diffusion Prior Enhanced Deep Unfolding for Spectral Image
Reconstruction [19.1301471218022]
スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。
我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
論文 参考訳(メタデータ) (2023-11-24T04:55:20Z) - VolRecon: Volume Rendering of Signed Ray Distance Functions for
Generalizable Multi-View Reconstruction [64.09702079593372]
VolRecon は Signed Ray Distance Function (SRDF) を用いた新しい一般化可能な暗黙的再構成法である
DTUデータセットでは、VolReconはスパースビュー再構築においてSparseNeuSを約30%上回り、フルビュー再構築においてMVSNetと同等の精度を達成する。
論文 参考訳(メタデータ) (2022-12-15T18:59:54Z) - Neural 3D Reconstruction in the Wild [86.6264706256377]
そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。
そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
論文 参考訳(メタデータ) (2022-05-25T17:59:53Z) - Black-Box Test-Time Shape REFINEment for Single View 3D Reconstruction [57.805334118057665]
文献中の任意のブラックボックス方式のパイプラインに容易に組み込むことができる後処理メッシュ改善ステップであるREFINEを提案する。
テスト時には、REFINEはメッシュ毎のネットワークインスタンスを最適化し、メッシュと所定のオブジェクトビュー間の一貫性を促進する。
論文 参考訳(メタデータ) (2021-08-23T03:28:47Z) - Polka Lines: Learning Structured Illumination and Reconstruction for
Active Stereo [52.68109922159688]
本稿では,波動光学と幾何光学の両方に依存した,アクティブステレオのための新しい微分可能な画像形成モデルと,新しい三眼再構成ネットワークを提案する。
Polka Lines" を再現ネットワークと組み合わせた共同最適化パターンは, 撮像条件全体にわたって, 最先端のアクティブステレオ深度推定を達成している。
論文 参考訳(メタデータ) (2020-11-26T04:02:43Z) - Limited View Tomographic Reconstruction Using a Deep Recurrent Framework
with Residual Dense Spatial-Channel Attention Network and Sinogram
Consistency [25.16002539710169]
本稿では,同じブロックを複数回積み重ねる新しい繰り返し再構成フレームワークを提案する。
本研究では, 再帰的なブロックの中間出力のシングラムと一致するように, リカレント・フレームワークにインターリーブされたシングラム整合層を構築した。
本アルゴリズムは, 狭角化と狭角化の両面において, 既存の最先端のニューラル手法よりも一貫した, 顕著な改善を実現している。
論文 参考訳(メタデータ) (2020-09-03T16:39:48Z) - Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。
ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。
本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
論文 参考訳(メタデータ) (2020-08-04T21:35:32Z) - Identity Enhanced Residual Image Denoising [61.75610647978973]
我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。
提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
論文 参考訳(メタデータ) (2020-04-26T04:52:22Z) - Reconstruct, Rasterize and Backprop: Dense shape and pose estimation
from a single image [14.9851111159799]
本稿では,1枚の画像から6-DoFポーズとともに高密度物体再構成を行うシステムを提案する。
我々は、カメラフレームの3D再構成でループを閉じるために、差別化可能なレンダリング(特にロボティクス)の最近の進歩を活用している。
論文 参考訳(メタデータ) (2020-04-25T20:53:43Z)
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。