論文の概要: Fast Depth Estimation for View Synthesis

• arxiv url: http://arxiv.org/abs/2003.06637v1
• Date: Sat, 14 Mar 2020 14:10:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 20:39:46.397385
• Title: Fast Depth Estimation for View Synthesis
• Title（参考訳）: ビュー合成のための高速深度推定
• Authors: Nantheera Anantrasirichai and Majid Geravand and David Braendler and David R. Bull
• Abstract要約: ステレオ画像のシーケンスからの距離/深さを推定することは、3次元視覚において重要な要素である。 本稿では,拡張畳み込み,密結合型畳み込みモジュール,コンパクトデコーダ,スキップ接続を利用した新しい学習ベースフレームワークを提案する。 筆者らのネットワークは,それぞれ45%,34%の深さ推定とビュー合成を平均的に改善し,最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 9.243157709083672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disparity/depth estimation from sequences of stereo images is an important element in 3D vision. Owing to occlusions, imperfect settings and homogeneous luminance, accurate estimate of depth remains a challenging problem. Targetting view synthesis, we propose a novel learning-based framework making use of dilated convolution, densely connected convolutional modules, compact decoder and skip connections. The network is shallow but dense, so it is fast and accurate. Two additional contributions -- a non-linear adjustment of the depth resolution and the introduction of a projection loss, lead to reduction of estimation error by up to 20% and 25% respectively. The results show that our network outperforms state-of-the-art methods with an average improvement in accuracy of depth estimation and view synthesis by approximately 45% and 34% respectively. Where our method generates comparable quality of estimated depth, it performs 10 times faster than those methods.
• Abstract（参考訳）: ステレオ画像のシーケンスからのずれ/奥行き推定は、3次元視覚において重要な要素である。 咬合、不完全な設定、均質な輝度のため、正確な深さの推定は難しい課題である。 本稿では,拡張畳み込み,密結合型畳み込みモジュール,コンパクトデコーダ,スキップ接続を利用した新しい学習ベースフレームワークを提案する。 ネットワークは浅いが密度が高いので、高速で正確だ。 深さ分解能の非線形調整と投影損失の導入の2つの追加貢献により、推定誤差はそれぞれ20%と25%削減された。 その結果,ネットワークの奥行き推定精度が平均で45%,ビュー合成が34%向上し,最先端手法を上回った。 提案手法が推定深さの同等の品質を生成する場合,その10倍の高速化が期待できる。

関連論文リスト

• Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
  実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。 画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。 局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
  論文  参考訳（メタデータ） (2024-02-14T04:07:44Z)
• RA-Depth: Resolution Adaptive Self-Supervised Monocular Depth Estimation [27.679479140943503]
  本研究では,シーン深さのスケール不変性を学習し,自己教師付き単眼深度推定法(RA-Depth)を提案する。 RA-Depthは最先端の性能を達成し、解像度適応の優れた能力を示す。
  論文  参考訳（メタデータ） (2022-07-25T08:49:59Z)
• Analysis & Computational Complexity Reduction of Monocular and Stereo Depth Estimation Techniques [0.0]
  高精度なアルゴリズムは最高の深さ推定を提供するが、膨大な計算資源とエネルギー資源を消費する。 これまでの研究は、ステレオ深度推定を改善するための最先端手法(AnyNet)を開発することで、このトレードオフを改善することを示した。 新たなステレオビジョン法 (AnyNet) による実験により, モデルサイズが20%減少しても, 深度推定の精度は3%以上低下しないことがわかった。
  論文  参考訳（メタデータ） (2022-06-18T00:47:33Z)
• Depth Refinement for Improved Stereo Reconstruction [13.941756438712382]
  立体画像からの深度推定の現在の技術は、なおも内蔵の欠点に悩まされている。 簡単な解析により、深度誤差は物体の距離に2乗比例することが明らかになった。 本研究では,深度推定に改良ネットワークを用いた簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-12-15T12:21:08Z)
• On the Sins of Image Synthesis Loss for Self-supervised Depth Estimation [60.780823530087446]
  画像合成の改善は深度推定の改善を必要としないことを示す。 この発散現象は、データから生じるアレラトリックな不確実性に起因している。 この観察された発散は、以前に報告されたり、深く研究されたりしていない。
  論文  参考訳（メタデータ） (2021-09-13T17:57:24Z)
• Geometry Uncertainty Projection Network for Monocular 3D Object Detection [138.24798140338095]
  本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。 具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。 トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-29T06:59:07Z)
• Direct Depth Learning Network for Stereo Matching [79.3665881702387]
  ステレオマッチングのための新しいダイレクトディープス学習ネットワーク(DDL-Net)が設計されている。 DDL-Netは、粗度推定段階と適応勾配深度補正段階の2段階からなる。 我々は,DDL-NetがSceneFlowデータセットで25%,DrivingStereoデータセットで12%の平均的な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-12-10T10:33:57Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Adjusting Bias in Long Range Stereo Matching: A semantics guided approach [14.306250516592305]
  本研究では,フォアグラウンドとバックグラウンドを分離した2つの新しい深度に基づく損失関数を提案する。 これらの損失関数はチューナブルであり、ステレオ学習アルゴリズムの固有のバイアスのバランスをとることができる。 特に50mを超える距離にある物体に対しては, 差分推定と深さ推定の大幅な改善が期待できる。
  論文  参考訳（メタデータ） (2020-09-10T01:47:53Z)
• 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。

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。