論文の概要: Balanced Depth Completion between Dense Depth Inference and Sparse Range
Measurements via KISS-GP
- arxiv url: http://arxiv.org/abs/2008.05158v1
- Date: Wed, 12 Aug 2020 08:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 05:48:19.389031
- Title: Balanced Depth Completion between Dense Depth Inference and Sparse Range
Measurements via KISS-GP
- Title（参考訳）: KISS-GPによる高密度深度推定とスパースレンジ計測の平衡深さ補完
- Authors: Sungho Yoon and Ayoung Kim
- Abstract要約: 密集した正確な深度マップを推定することは、自動運転とロボット工学にとって重要な要件である。
近年のディープラーニングの進歩により、単一の画像から全解像度での深度推定が可能になった。
この驚くべき結果にもかかわらず、多くのディープラーニングベースの単眼深度推定アルゴリズムは、その精度をメーターレベルの推定誤差に保たない。
- 参考スコア（独自算出の注目度）: 14.158132769768578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating a dense and accurate depth map is the key requirement for
autonomous driving and robotics. Recent advances in deep learning have allowed
depth estimation in full resolution from a single image. Despite this
impressive result, many deep-learning-based monocular depth estimation (MDE)
algorithms have failed to keep their accuracy yielding a meter-level estimation
error. In many robotics applications, accurate but sparse measurements are
readily available from Light Detection and Ranging (LiDAR). Although they are
highly accurate, the sparsity limits full resolution depth map reconstruction.
Targeting the problem of dense and accurate depth map recovery, this paper
introduces the fusion of these two modalities as a depth completion (DC)
problem by dividing the role of depth inference and depth regression. Utilizing
the state-of-the-art MDE and our Gaussian process (GP) based depth-regression
method, we propose a general solution that can flexibly work with various MDE
modules by enhancing its depth with sparse range measurements. To overcome the
major limitation of GP, we adopt Kernel Interpolation for Scalable Structured
(KISS)-GP and mitigate the computational complexity from O(N^3) to O(N). Our
experiments demonstrate that the accuracy and robustness of our method
outperform state-of-the-art unsupervised methods for sparse and biased
measurements.
- Abstract（参考訳）: 密集した正確な深度マップを推定することは、自動運転とロボティクスにとって重要な要件である。
近年のディープラーニングの進歩により、単一の画像から全解像度での深度推定が可能になった。
この印象的な結果にもかかわらず、多くのディープラーニングベースの単眼深度推定(mde)アルゴリズムは、メートルレベルの推定誤差をもたらす精度を維持することができなかった。
多くのロボティクスアプリケーションでは、光検出とランキング(LiDAR)から正確だがスパースな測定が容易に行える。
精度は高いが、空間は全解像度深度マップの再構成を制限する。
本稿では,深度推定と深度回帰を両立させることにより,これら2つのモードの融合を,深度推定と深度回帰を両立させることにより,深度完備化(DC)問題として導入する。
本稿では,最先端のMDEとガウス過程に基づく深度回帰法を用いて,その深度をスパースレンジ測定で拡張することにより,様々なMDEモジュールで柔軟に動作可能な一般解を提案する。
GPの限界を克服するため、我々はKernel Interpolation for Scalable Structured (KISS)-GPを採用し、計算複雑性をO(N^3)からO(N)に緩和する。
提案手法の精度とロバスト性は,スパース法とバイアス測定の非教師なし手法より優れていることを示す。
関連論文リスト
- Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。
提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文 参考訳（メタデータ） (2023-03-31T16:01:03Z) - Monocular Visual-Inertial Depth Estimation [66.71452943981558]
単眼深度推定と視覚慣性計測を統合した視覚慣性深度推定パイプラインを提案する。
提案手法は, 疎度度に対する大域的スケールとシフトアライメントを行い, 続いて学習に基づく高密度アライメントを行う。
本研究では,TartanAir と VOID のデータセットを用いて,密集したスケールアライメントによるRMSE の最大30%の削減を観測した。
論文 参考訳（メタデータ） (2023-03-21T18:47:34Z) - Non-learning Stereo-aided Depth Completion under Mis-projection via
Selective Stereo Matching [0.5067618621449753]
一対のステレオ画像で導かれる光検出・測度センサ(LiDAR)を用いて捉えたスパース深度マップの非学習深度補完法を提案する。
提案手法は, 平均絶対誤差(MAE)を0.65倍に減らし, 従来よりも約2倍の精度で推定できることを示した。
論文 参考訳（メタデータ） (2022-10-04T07:46:56Z) - 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) - Non-parametric Depth Distribution Modelling based Depth Inference for
Multi-view Stereo [43.415242967722804]
最近のコストボリュームピラミッドに基づくディープニューラルネットワークは、多視点ステレオからの深度推論に高解像度の画像を効率的に活用する可能性を解き放った。
一般に、これらのアプローチは各ピクセルの深さが一様分布に従うと仮定する。
本研究では,非パラメトリック深度分布モデルを用いて,一様および多モード分布の画素を扱うコストボリュームを構築することを提案する。
論文 参考訳（メタデータ） (2022-05-08T05:13:04Z) - Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。
提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
論文 参考訳（メタデータ） (2021-12-15T05:22:34Z) - 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) - Efficient Depth Completion Using Learned Bases [94.0808155168311]
深度補正のための新しい大域的幾何制約を提案する。
低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
論文 参考訳（メタデータ） (2020-12-02T11:57:37Z) - Deep Multi-view Depth Estimation with Predicted Uncertainty [11.012201499666503]
我々は、高密度光フローネットワークを用いて対応を計算し、点雲を三角測量して初期深度マップを得る。
三角測量の精度をさらに高めるため,画像の文脈に基づく初期深度マップを最適化する深度補正ネットワーク(DRN)を導入する。
論文 参考訳（メタデータ） (2020-11-19T00:22:09Z) - 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。