論文の概要: Deep Multi-view Depth Estimation with Predicted Uncertainty

• arxiv url: http://arxiv.org/abs/2011.09594v2
• Date: Sat, 27 Mar 2021 14:33:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 21:34:36.936762
• Title: Deep Multi-view Depth Estimation with Predicted Uncertainty
• Title（参考訳）: 不確実性予測による深部多視点深度推定
• Authors: Tong Ke, Tien Do, Khiem Vuong, Kourosh Sartipi, and Stergios I. Roumeliotis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.012201499666503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the problem of estimating dense depth from a sequence of images using deep neural networks. Specifically, we employ a dense-optical-flow network to compute correspondences and then triangulate the point cloud to obtain an initial depth map.Parts of the point cloud, however, may be less accurate than others due to lack of common observations or small parallax. To further increase the triangulation accuracy, we introduce a depth-refinement network (DRN) that optimizes the initial depth map based on the image's contextual cues. In particular, the DRN contains an iterative refinement module (IRM) that improves the depth accuracy over iterations by refining the deep features. Lastly, the DRN also predicts the uncertainty in the refined depths, which is desirable in applications such as measurement selection for scene reconstruction. We show experimentally that our algorithm outperforms state-of-the-art approaches in terms of depth accuracy, and verify that our predicted uncertainty is highly correlated to the actual depth error.
• Abstract（参考訳）: 本稿では,深層ニューラルネットワークを用いた画像列から深い深さを推定する問題に対処する。 具体的には,高密な光学フローネットワークを用いて対応を計算し,ポイントクラウドを三角測量して初期深度マップを得る。 さらに三角測量精度を高めるために,画像の文脈的手がかりに基づいて初期深度マップを最適化する深度細化ネットワーク(drn)を導入する。 特に、DRNは、深い特徴を精細化することによって反復よりも深度精度を向上させるイテレーティブリファインメントモジュール(IRM)を含んでいる。 最後に、DRNは、シーン再構成のための計測選択などの応用において望ましい改良された深さの不確実性も予測する。 実験により,提案アルゴリズムは深度精度において最先端の手法よりも優れており,予測された不確かさが実際の深度誤差と高い相関があることが確認された。

関連論文リスト

• Depth-guided NeRF Training via Earth Mover's Distance [0.6749750044497732]
  我々は、NeRF監視のための深度における不確実性に対する新しいアプローチを提案する。 既訓練拡散モデルを用いて,デノナイジング過程における深度予測と不確かさの把握を行う。 我々の深度誘導型NeRFは、標準深度測定値のすべてのベースラインを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-03-19T23:54:07Z)
• Depth Estimation from Single-shot Monocular Endoscope Image Using Image Domain Adaptation And Edge-Aware Depth Estimation [1.7086737326992167]
  領域適応によるランベルト面の変換とマルチスケールエッジロスを用いた深度推定による単眼単眼単眼内視鏡像からの深度推定法を提案する。 臓器の表面のテクスチャと特異反射により、深さ推定の精度が低下する。 本研究では,畳み込みニューラルネットワークを用いた大腸内視鏡像の解剖学的位置同定に,推定深度画像を適用した。
  論文  参考訳（メタデータ） (2022-01-12T14:06:54Z)
• 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)
• Monocular Depth Estimation Primed by Salient Point Detection and Normalized Hessian Loss [43.950140695759764]
  本稿では,単眼深度推定のための高精度で軽量なフレームワークを提案する。 深度方向のスケーリングとせん断に不変な正規化ヘッセン損失項を導入し,精度を著しく向上させることを示した。 提案手法は,NYU-Depth-v2 と KITTI の3.1-38.4 倍小さいモデルを用いて,ベースライン手法よりもパラメータ数が多い場合の最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-08-25T07:51:09Z)
• Depth Completion using Plane-Residual Representation [84.63079529738924]
  深度情報を最も近い深度平面ラベル$p$と残値$r$で解釈する新しい方法を紹介し,これをPlane-Residual (PR)表現と呼ぶ。 PR表現で深度情報を解釈し,それに対応する深度補完網を用いて,高速な計算により深度補完性能を向上させることができた。
  論文  参考訳（メタデータ） (2021-04-15T10:17:53Z)
• PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
  PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。 提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
  論文  参考訳（メタデータ） (2021-03-12T15:54:46Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• 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)
• Guiding Monocular Depth Estimation Using Depth-Attention Volume [38.92495189498365]
  本研究では,特に屋内環境に広く分布する平面構造を優先するための奥行き推定法を提案する。 2つのポピュラーな屋内データセットであるNYU-Depth-v2とScanNetの実験により,本手法が最先端の深度推定結果を実現することを示す。
  論文  参考訳（メタデータ） (2020-04-06T15:45:52Z)
• 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)
• Depth Completion Using a View-constrained Deep Prior [73.21559000917554]
  近年の研究では、畳み込みニューラルネットワーク(CNN)の構造が、自然画像に有利な強い先行性をもたらすことが示されている。 この前者はディープ・イメージ・先行 (DIP) と呼ばれ、画像の装飾や塗装といった逆問題において有効な正則化器である。 我々は、DIPの概念を深度画像に拡張し、色画像とノイズと不完全な目標深度マップから、CNNネットワーク構造を先行して復元された深度マップを再構成する。
  論文  参考訳（メタデータ） (2020-01-21T21:56:01Z)

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。