論文の概要: Geometry-Aware Unsupervised Domain Adaptation for Stereo Matching
- arxiv url: http://arxiv.org/abs/2103.14333v1
- Date: Fri, 26 Mar 2021 08:53:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:54:25.382476
- Title: Geometry-Aware Unsupervised Domain Adaptation for Stereo Matching
- Title（参考訳）: ステレオマッチングのための幾何アウェア非教師なし領域適応
- Authors: Hiroki Sakuma and Yoshinori Konishi
- Abstract要約: 立体クロスアテンション(SCA: Stereoscopic Cross Attention)と呼ばれる,左右の視点で特徴を集約する注意メカニズムを提案する。
SCAは、画像から画像への変換の過程でステレオ画像ペアの幾何学的構造を保存することができる。
SCAによる画像から画像への変換に基づく非監視領域適応の提案の有効性を実証的に実証する。
- 参考スコア（独自算出の注目度）: 0.7233897166339268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently proposed DNN-based stereo matching methods that learn priors
directly from data are known to suffer a drastic drop in accuracy in new
environments. Although supervised approaches with ground truth disparity maps
often work well, collecting them in each deployment environment is cumbersome
and costly. For this reason, many unsupervised domain adaptation methods based
on image-to-image translation have been proposed, but these methods do not
preserve the geometric structure of a stereo image pair because the
image-to-image translation is applied to each view separately. To address this
problem, in this paper, we propose an attention mechanism that aggregates
features in the left and right views, called Stereoscopic Cross Attention
(SCA). Incorporating SCA to an image-to-image translation network makes it
possible to preserve the geometric structure of a stereo image pair in the
process of the image-to-image translation. We empirically demonstrate the
effectiveness of the proposed unsupervised domain adaptation based on the
image-to-image translation with SCA.
- Abstract（参考訳）: 近年,データから直接先行情報を学習するDNNベースのステレオマッチング手法が,新しい環境において大幅に精度が低下していることが知られている。
地上の真理不一致マップによる教師付きアプローチはよく機能するが、各デプロイメント環境でそれらを収集するのは煩雑でコストがかかる。
このため、画像から画像への変換に基づく教師なしドメイン適応手法が多数提案されているが、画像から画像への変換は各ビューに別々に適用されるため、ステレオ画像ペアの幾何学的構造は保存されない。
本稿では,この問題を解決するために,左右の視点に特徴を集約する注意機構であるステレオクロス・アテンション(sca)を提案する。
画像対変換ネットワークにSCAを組み込むことにより、画像対変換の過程でステレオ画像対の幾何学的構造を保存することができる。
SCAを用いた画像から画像への変換に基づく教師なし領域適応の有効性を実証的に実証した。
関連論文リスト
- SyntStereo2Real: Edge-Aware GAN for Remote Sensing Image-to-Image Translation while Maintaining Stereo Constraint [1.8749305679160366]
現在の手法では、2つのネットワーク、未ペア画像間翻訳ネットワークとステレオマッチングネットワークを組み合わせている。
両タスクを同時に処理するエッジ対応のGANネットワークを提案する。
我々は,既存のモデルよりも定性的かつ定量的に優れた結果が得られ,その適用性は多様な領域にまで及んでいることを実証した。
論文 参考訳（メタデータ） (2024-04-14T14:58:52Z) - Multi-cropping Contrastive Learning and Domain Consistency for
Unsupervised Image-to-Image Translation [5.562419999563734]
マルチクロップ型コントラスト学習とドメイン整合性に基づく新しい教師なし画像から画像への翻訳フレームワーク MCDUT を提案する。
多くの画像と画像の翻訳タスクにおいて,本手法は最先端の結果を達成し,その利点は比較実験とアブレーション研究によって証明されている。
論文 参考訳（メタデータ） (2023-04-24T16:20:28Z) - Smooth image-to-image translations with latent space interpolations [64.8170758294427]
マルチドメインイメージ・トゥ・イメージ(I2I)変換は、ターゲットドメインのスタイルに応じてソースイメージを変換することができる。
我々の正規化技術は、最先端のI2I翻訳を大きなマージンで改善できることを示す。
論文 参考訳（メタデータ） (2022-10-03T11:57:30Z) - Global and Local Alignment Networks for Unpaired Image-to-Image
Translation [170.08142745705575]
未ペア画像から画像への変換の目的は、対象領域のスタイルを反映した出力画像を作成することである。
既存の手法では内容変化に注意が払われていないため、ソース画像からの意味情報は翻訳中の劣化に悩まされる。
我々はGLA-Net(Global and Local Alignment Networks)という新しいアプローチを導入する。
本手法は既存の手法よりもシャープでリアルな画像を効果的に生成する。
論文 参考訳（メタデータ） (2021-11-19T18:01:54Z) - Semantic Consistency in Image-to-Image Translation for Unsupervised
Domain Adaptation [22.269565708490465]
Unsupervised Domain Adaptation (UDA)は、ソースドメインでトレーニングされたモデルを、ラベル付きデータが使用できない新しいターゲットドメインに適応させることを目的としている。
UDAの整合性正規化手法と組み合わせて意味論的に一貫した画像から画像への変換法を提案する。
論文 参考訳（メタデータ） (2021-11-05T14:22:20Z) - Deep Symmetric Adaptation Network for Cross-modality Medical Image
Segmentation [40.95845629932874]
監視されていないドメイン適応(UDA)手法は、クロスモダリティ医療イメージセグメンテーションタスクで有望なパフォーマンスを示しています。
医療用画像セグメンテーションのためのUDAの新しいディープシンメトリーアーキテクチャを提案する。セグメンテーションサブネットワークと2つのシンメトリーソースとターゲットドメイン翻訳サブネットワークからなる。
本手法は,Cardiac と BraTS のセグメンテーションタスクにおける最先端手法と比較して,顕著な利点がある。
論文 参考訳（メタデータ） (2021-01-18T02:54:30Z) - StereoGAN: Bridging Synthetic-to-Real Domain Gap by Joint Optimization
of Domain Translation and Stereo Matching [56.95846963856928]
大規模な合成データセットはステレオマッチングに有用であるが、通常は既知のドメインバイアスを導入する。
本稿では,ドメイン翻訳とステレオマッチングネットワークを用いたエンドツーエンドのトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-05T03:11:38Z) - Structural-analogy from a Single Image Pair [118.61885732829117]
本稿では,1対の画像A,Bのみを用いて,ニューラルネットワークによる画像構造理解能力について検討する。
我々は、B の外観とスタイルを保持するが、A に対応する構造的配置を持つ画像を生成する。
提案手法は,画像AとBのみを利用した条件生成タスクにおいて,高品質な画像を生成するために利用できる。
論文 参考訳（メタデータ） (2020-04-05T14:51:10Z) - CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。
本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-09T19:00:35Z) - Asymmetric GANs for Image-to-Image Translation [62.49892218126542]
GAN(Generative Adversarial Networks)の既存のモデルは、サイクル一貫性損失を使用して、ソースドメインからターゲットドメインへのマッピングを学習する。
非対称GANモデルを提案し、不等サイズと異なるパラメータ共有戦略の変換と再構成の両方を行う。
8つのデータセットを用いた教師付きおよび教師なし生成タスクの実験は、非対称GANが優れたモデルキャパシティとより良い生成性能を達成することを示す。
論文 参考訳（メタデータ） (2019-12-14T21:24:41Z)
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。