論文の概要: Adaptive confidence thresholding for monocular depth estimation
- arxiv url: http://arxiv.org/abs/2009.12840v3
- Date: Mon, 23 Aug 2021 07:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 03:45:12.464136
- Title: Adaptive confidence thresholding for monocular depth estimation
- Title(参考訳): 単眼深度推定のための適応的信頼閾値設定
- Authors: Hyesong Choi, Hunsang Lee, Sunkyung Kim, Sunok Kim, Seungryong Kim,
Kwanghoon Sohn, Dongbo Min
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 83.06265443599521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised monocular depth estimation has become an appealing solution
to the lack of ground truth labels, but its reconstruction loss often produces
over-smoothed results across object boundaries and is incapable of handling
occlusion explicitly. In this paper, we propose a new approach to leverage
pseudo ground truth depth maps of stereo images generated from self-supervised
stereo matching methods. The confidence map of the pseudo ground truth depth
map is estimated to mitigate performance degeneration by inaccurate pseudo
depth maps. To cope with the prediction error of the confidence map itself, we
also leverage the threshold network that learns the threshold dynamically
conditioned on the pseudo depth maps. The pseudo depth labels filtered out by
the thresholded confidence map are used to supervise the monocular depth
network. Furthermore, we propose the probabilistic framework that refines the
monocular depth map with the help of its uncertainty map through the
pixel-adaptive convolution (PAC) layer. Experimental results demonstrate
superior performance to state-of-the-art monocular depth estimation methods.
Lastly, we exhibit that the proposed threshold learning can also be used to
improve the performance of existing confidence estimation approaches.
- Abstract(参考訳): 自己教師付き単眼深度推定は基底真理ラベルの欠如に対する魅力的な解決策となっているが、その再構成損失はしばしばオブジェクト境界を越えた過剰な結果をもたらし、明示的に咬合を処理できない。
本稿では,自己教師型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基底真理深度マップを利用する新しい手法を提案する。
擬似基底深度マップの信頼度マップを推定し、不正確な擬似深度マップによる性能劣化を軽減する。
また、信頼マップ自体の予測誤差に対処するために、疑似深度マップ上で動的に条件付けられた閾値を学習するしきい値ネットワークを利用する。
しきい値付き信頼度マップでフィルタされた擬似深度ラベルを用いて、単眼深度ネットワークを監督する。
さらに,画素適応畳み込み(PAC)層による不確実性マップの助けを借りて,単眼深度マップを改良する確率的フレームワークを提案する。
実験結果は,最先端の単眼深度推定法よりも優れた性能を示す。
最後に,提案したしきい値学習は,既存の信頼度推定手法の性能向上にも有効であることを示す。
関連論文リスト
- Revisiting Gradient-based Uncertainty for Monocular Depth Estimation [10.502852645001882]
単分子深度推定モデルに対する勾配に基づく不確実性推定を導入する。
我々は,本手法が再トレーニングを伴わずに不確実性を決定するのに有効であることを実証した。
特に、単分子配列で訓練されたモデルにおいて、最も不確実性が高いため、本手法は関連するアプローチよりも優れる。
論文 参考訳(メタデータ) (2025-02-09T17:21:41Z) - Marigold-DC: Zero-Shot Monocular Depth Completion with Guided Diffusion [51.69876947593144]
奥行き完了のための既存の手法は、厳密に制約された設定で動作する。
単眼深度推定の進歩に触発されて,画像条件の深度マップ生成として深度補完を再構成した。
Marigold-DCは、単分子深度推定のための事前訓練された潜伏拡散モデルを構築し、試験時間ガイダンスとして深度観測を注入する。
論文 参考訳(メタデータ) (2024-12-18T00:06:41Z) - Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging
Scenarios [103.72094710263656]
本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。
本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。
得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
論文 参考訳(メタデータ) (2024-02-19T04:39:16Z) - Stereo-Matching Knowledge Distilled Monocular Depth Estimation Filtered
by Multiple Disparity Consistency [31.261772846687297]
複数の不均一マップを用いて擬似深度マップの誤りを特定しフィルタする手法を提案する。
実験の結果,提案手法は従来の手法よりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T15:05:05Z) - Learning Occlusion-Aware Coarse-to-Fine Depth Map for Self-supervised
Monocular Depth Estimation [11.929584800629673]
自己教師付き単眼深度推定のためのOcclusion-aware Coarse-to-Fine Depth Mapを学習するための新しいネットワークを提案する。
提案したOCFD-Netは,粗度深度マップの学習に離散深度制約を用いるだけでなく,シーン深度残差の学習にも連続深度制約を用いる。
論文 参考訳(メタデータ) (2022-03-21T12:43:42Z) - Pseudo Supervised Monocular Depth Estimation with Teacher-Student
Network [90.20878165546361]
疑似監視機構に基づく新しい教師なし深度推定手法を提案する。
これは、教師なしおよび教師なしの単分子深度推定の利点を戦略的に統合する。
実験の結果,提案手法はKITTIベンチマークの最先端性よりも優れていた。
論文 参考訳(メタデータ) (2021-10-22T01:08:36Z) - Weakly-Supervised Monocular Depth Estimationwith Resolution-Mismatched
Data [73.9872931307401]
単眼深度推定ネットワークをトレーニングするための弱教師付きフレームワークを提案する。
提案フレームワークは, 共有重量単分子深度推定ネットワークと蒸留用深度再構成ネットワークから構成される。
実験結果から,本手法は教師なし・半教師付き学習ベース方式よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2021-09-23T18:04:12Z) - 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) - Variational Monocular Depth Estimation for Reliability Prediction [12.951621755732544]
教師付き学習手法の代替として,単眼深度推定のための自己教師付き学習が広く研究されている。
従来はモデル構造の変更による深度推定の精度向上に成功している。
本稿では, 単眼深度推定のための変分モデルを理論的に定式化し, 推定深度画像の信頼性を推定する。
論文 参考訳(メタデータ) (2020-11-24T06:23:51Z) - Adversarial Patch Attacks on Monocular Depth Estimation Networks [7.089737454146505]
単眼深度推定における逆パッチ攻撃法を提案する。
我々は,対象の手法を騙して,パターンが配置されている領域の誤り深さを推定できる人工パターンを生成する。
実際のシーンに印刷されたパターンを物理的に配置することで,本手法を実世界で実現することができる。
論文 参考訳(メタデータ) (2020-10-06T22:56:22Z)
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。