論文の概要: Depth-wise layering of 3d images using dense depth maps: a threshold based approach

• arxiv url: http://arxiv.org/abs/2010.01841v1
• Date: Mon, 5 Oct 2020 07:55:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 22:17:24.645682
• Title: Depth-wise layering of 3d images using dense depth maps: a threshold based approach
• Title（参考訳）: 密度深度マップを用いた3次元画像の奥行き層分け-しきい値に基づくアプローチ
• Authors: Seyedsaeid Mirkamali, P. Nagabhushan
• Abstract要約: 提案するDepth-wise Layering技術では,静的シーンの1つの深さ画像を複数のレイヤに分割する。 提案手法の有効性を,多くの画像に高密度深度マップとともに適用することにより評価する。
• 参考スコア（独自算出の注目度）: 3.9900653843808187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image segmentation has long been a basic problem in computer vision. Depth-wise Layering is a kind of segmentation that slices an image in a depth-wise sequence unlike the conventional image segmentation problems dealing with surface-wise decomposition. The proposed Depth-wise Layering technique uses a single depth image of a static scene to slice it into multiple layers. The technique employs a thresholding approach to segment rows of the dense depth map into smaller partitions called Line-Segments in this paper. Then, it uses the line-segment labelling method to identify number of objects and layers of the scene independently. The final stage is to link objects of the scene to their respective object-layers. We evaluate the efficiency of the proposed technique by applying that on many images along with their dense depth maps. The experiments have shown promising results of layering.
• Abstract（参考訳）: 画像分割はコンピュータビジョンの基本的な問題である。 Depth-wise Layeringは、表面分解を扱う従来の画像分割問題とは異なり、ディープワイズシーケンスで画像をスライスするセグメンテーションの一種である。 提案したDepth-wise Layering技術は、静的シーンの1つの深さ画像を複数の層に分割する。 本手法では,高密度深度マップのセグメント行を線形分割(Line-Segments)と呼ばれる小さなパーティションに分割する。 次に、線分ラベル法を用いて、シーンのオブジェクトの数とレイヤを独立して識別する。 最後のステージは、シーンのオブジェクトをそれぞれのオブジェクト層にリンクする。 提案手法の有効性を,多くの画像に高密度深度マップとともに適用することにより評価する。 実験は層化の有望な結果を示した。

関連論文リスト

• Refinement of Monocular Depth Maps via Multi-View Differentiable Rendering [4.717325308876748]
  本稿では,複数の画像から一貫した詳細な深度マップを生成するための新しい手法を提案する。 我々は、位相的に完全だが計量的に不正確な深度マップを生成する単眼深度推定の進歩を活用する。 提案手法は,高密度で詳細で高品質な深度マップを作成でき,また屋内シナリオの挑戦も可能であり,最先端の深度復元手法よりも優れている。
  論文  参考訳（メタデータ） (2024-10-04T18:50:28Z)
• Depth-guided Texture Diffusion for Image Semantic Segmentation [47.46257473475867]
  本稿では,この課題を効果的に解決するディープスガイド型テクスチャ拡散手法を提案する。 本手法は,テクスチャ画像を作成するために,エッジやテクスチャから低レベル特徴を抽出する。 この拡張深度マップを元のRGB画像と結合した特徴埋め込みに統合することにより,深度マップと画像との相違を効果的に橋渡しする。
  論文  参考訳（メタデータ） (2024-08-17T04:55:03Z)
• Depth-aware Panoptic Segmentation [1.4170154234094008]
  本稿では, パンオプティカルセグメンテーションのための新しいCNN手法を提案する。 そこで本研究では,同じ物体に対して画素の割り当てを行う深度対応ダイス損失項を提案する。 Cityscapesデータセットで行った実験では、提案手法が誤って1つのインスタンスにマージされたオブジェクトの数を減少させることを示した。
  論文  参考訳（メタデータ） (2024-03-21T08:06:49Z)
• Understanding Depth Map Progressively: Adaptive Distance Interval Separation for Monocular 3d Object Detection [38.96129204108353]
  いくつかの単分子3D検出技術は、深度推定タスクからの補助深度マップに依存している。 本稿では,深度マップの新たな視点を取り入れたAdaptive Distance Interval Separation Network (ADISN) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T13:32:53Z)
• Layered Depth Refinement with Mask Guidance [61.10654666344419]
  汎用マスクを用いてSIDEモデルの深度予測を洗練させるマスク誘導深度改善の新しい問題を定式化する。 本フレームワークは,奥行きマップをマスクと逆マスクで表される2つの別々の層に分解し,層状改質・塗装・塗装を行う。 本手法は,内面境界領域と外面境界領域の深度を正確に補正し,異なる種類のマスクや初期深度予測に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-06-07T06:42:44Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• SLIDE: Single Image 3D Photography with Soft Layering and Depth-aware Inpainting [54.419266357283966]
  シングルイメージの3D写真は、視聴者が新しい視点から静止画を見ることを可能にする。 最近のアプローチでは、単分子深度ネットワークと塗装ネットワークを組み合わせることで、説得力のある結果が得られる。 単一画像3D撮影のためのモジュール・統一システムであるSLIDEについて述べる。
  論文  参考訳（メタデータ） (2021-09-02T16:37:20Z)
• Learning Depth via Leveraging Semantics: Self-supervised Monocular Depth Estimation with Both Implicit and Explicit Semantic Guidance [34.62415122883441]
  シーン認識深度推定のための暗黙的意味特徴と深度特徴とを一致させるセマンティック認識空間特徴アライメント方式を提案する。 また,推定深度マップを実シーンの文脈特性と整合性に明示的に制約する意味誘導型ランキング損失を提案する。 複雑なシーンや多様なセマンティックカテゴリで一貫して優れた、高品質な深度マップを作成します。
  論文  参考訳（メタデータ） (2021-02-11T14:29:51Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)
• Single Image Depth Estimation Trained via Depth from Defocus Cues [105.67073923825842]
  単一のRGB画像から深度を推定することはコンピュータビジョンの基本的な課題である。 この作業では、異なる視点ではなく、フォーカスキューからの奥行きに依存しています。 我々は,KITTIとMake3Dデータセットの教師あり手法と同等な結果を提示し,教師なし学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-14T20:22:54Z)

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。