Fugu-MT 論文翻訳(概要): Uncertainty depth estimation with gated images for 3D reconstruction

論文の概要: Uncertainty depth estimation with gated images for 3D reconstruction

arxiv url: http://arxiv.org/abs/2003.05122v1
Date: Wed, 11 Mar 2020 06:00:21 GMT
ステータス: 処理完了
システム内更新日: 2022-12-24 15:36:12.754815
Title: Uncertainty depth estimation with gated images for 3D reconstruction
Title（参考訳）: 3次元再構成のためのゲート画像による不確かさ深さ推定
Authors: Stefanie Walz and Tobias Gruber and Werner Ritter and Klaus Dietmayer
Abstract要約: Gated Imagingは、自動運転車の新興技術だ。我々は,Gated2Depthフレームワークを拡張して,深度推定のためのさらなる信頼度測定を行う。
参考スコア（独自算出の注目度）: 14.51429478464939
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gated imaging is an emerging sensor technology for self-driving cars that provides high-contrast images even under adverse weather influence. It has been shown that this technology can even generate high-fidelity dense depth maps with accuracy comparable to scanning LiDAR systems. In this work, we extend the recent Gated2Depth framework with aleatoric uncertainty providing an additional confidence measure for the depth estimates. This confidence can help to filter out uncertain estimations in regions without any illumination. Moreover, we show that training on dense depth maps generated by LiDAR depth completion algorithms can further improve the performance.
Abstract（参考訳）: gated imagingは、悪天候下でも高コントラスト画像を提供する自動運転車用の新しいセンサー技術だ。この技術は、LiDARシステムに匹敵する精度で高忠実度密度の深度マップを生成できることが示されている。本研究では,近年のGated2Depthフレームワークを拡張して,深度推定のためのさらなる信頼度測定を行う。この信頼性は、照明なしで不確定な領域の推定をフィルターするのに役立つ。さらに,LiDAR深度補完アルゴリズムにより生成された深度マップのトレーニングにより,さらなる性能向上が期待できることを示す。

関連論文リスト

CaFNet: A Confidence-Driven Framework for Radar Camera Depth Estimation [6.9404362058736995]
本稿では,深度推定のための2段階・エンドツーエンドの信頼度対応フュージョンネット(CaFNet)を提案する。第1段階は、あいまいな標高やノイズ測定など、レーダー固有の課題に対処する。最終深度推定のために、レーダと画像の特徴を効果的に統合するための信頼性を考慮したゲート融合機構を革新する。
論文参考訳（メタデータ） (2024-06-30T13:39:29Z)
Uncertainty-guided Optimal Transport in Depth Supervised Sparse-View 3D Gaussian [49.21866794516328]
3次元ガウシアンスプラッティングは、リアルタイムな新規ビュー合成において顕著な性能を示した。これまでのアプローチでは、3Dガウスの訓練に奥行き監視を取り入れ、オーバーフィッティングを軽減してきた。本研究では,3次元ガウスの深度分布を可視化する新しい手法を提案する。
論文参考訳（メタデータ） (2024-05-30T03:18:30Z)
RIDERS: Radar-Infrared Depth Estimation for Robust Sensing [22.10378524682712]
逆気象条件は正確な深度推定に重大な課題をもたらす。本研究では,ミリ波レーダと単眼赤外線サーマルカメラを融合させて,ロバストな距離推定手法を提案する。本手法は、曖昧さと不一致の課題に対処することにより、異常な視覚的品質と正確な計量推定を実現する。
論文参考訳（メタデータ） (2024-02-03T07:14:43Z)
Unsupervised confidence for LiDAR depth maps and applications [43.474845978673166]
疎LiDAR深度マップの問題に対処するための効果的な教師なしフレームワークを提案する。筆者らのフレームワークはスパース深度マップの信頼性を推定し,アウトレーヤのフィルタリングを可能にする。我々は、この成果が広範囲のタスクをどのように改善できるかを実証する。
論文参考訳（メタデータ） (2022-10-06T17:59:58Z)
Gated2Gated: Self-Supervised Depth Estimation from Gated Images [22.415893281441928]
ゲーテッドカメラは、高解像度の3D深度でLiDARセンサーをスキャンする代替品として有望だ。そこで本研究では,ゲート強度プロファイルと時間的一貫性をトレーニング信号として用いた完全自己教師型深度推定手法を提案する。
論文参考訳（メタデータ） (2021-12-04T19:47:38Z)
R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文参考訳（メタデータ） (2021-08-10T17:57:03Z)
Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
論文参考訳（メタデータ） (2021-02-21T05:24:18Z)
Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
論文参考訳（メタデータ） (2020-09-27T13:26:16Z)
Self-Attention Dense Depth Estimation Network for Unrectified Video Sequences [6.821598757786515]
LiDARとレーダーセンサーはリアルタイム深度推定のためのハードウェアソリューションである。深層学習に基づく自己教師付き深度推定法は有望な結果を示した。未修正画像に対する自己注意に基づく深度・自我移動ネットワークを提案する。
論文参考訳（メタデータ） (2020-05-28T21:53:53Z)
Depth Sensing Beyond LiDAR Range [84.19507822574568]
小型の視野カメラを用いた3カメラシステムを提案する。我々のシステムは、計量深度を計算するための新しいアルゴリズムとともに、完全な事前校正を必要としない。遠距離のシーンや物体に対して、事実上許容できる精度で密集した深度マップを出力することができる。
論文参考訳（メタデータ） (2020-04-07T00:09:51Z)
Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
カラービデオから多フレーム深度を推定する新しい学習手法を提案する。本手法は深度推定精度において最先端の手法より優れる。
論文参考訳（メタデータ） (2020-04-02T07:10:45Z)

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。