論文の概要: Adaptive Surface Normal Constraint for Depth Estimation

• arxiv url: http://arxiv.org/abs/2103.15483v1
• Date: Mon, 29 Mar 2021 10:36:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:53:16.667542
• Title: Adaptive Surface Normal Constraint for Depth Estimation
• Title（参考訳）: 深さ推定のための適応表面正規制約
• Authors: Xiaoxiao Long, Cheng Lin, Lingjie Liu, Wei Li, Christian Theobalt, Ruigang Yang, Wenping Wang
• Abstract要約: アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
• 参考スコア（独自算出の注目度）: 102.7466374038784
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a novel method for single image depth estimation using surface normal constraints. Existing depth estimation methods either suffer from the lack of geometric constraints, or are limited to the difficulty of reliably capturing geometric context, which leads to a bottleneck of depth estimation quality. We therefore introduce a simple yet effective method, named Adaptive Surface Normal (ASN) constraint, to effectively correlate the depth estimation with geometric consistency. Our key idea is to adaptively determine the reliable local geometry from a set of randomly sampled candidates to derive surface normal constraint, for which we measure the consistency of the geometric contextual features. As a result, our method can faithfully reconstruct the 3D geometry and is robust to local shape variations, such as boundaries, sharp corners and noises. We conduct extensive evaluations and comparisons using public datasets. The experimental results demonstrate our method outperforms the state-of-the-art methods and has superior efficiency and robustness.
• Abstract（参考訳）: 本研究では,表面正規制約を用いた単一画像深度推定法を提案する。 既存の深さ推定法は幾何学的制約の欠如に苦しむか、幾何学的文脈を確実に捉えることの困難さに制限され、深さ推定品質のボトルネックとなる。 そこで, 適応曲面正規化法 (ASN) という簡単な手法を導入し, 深度推定と幾何整合性を効果的に相関させる。 我々のキーとなる考え方は、ランダムにサンプリングされた候補の集合から信頼性のある局所幾何学を適応的に決定し、幾何学的文脈特徴の整合性を測定する表面正規制約を導出することである。 その結果,本手法は3次元形状を忠実に再構築することができ,境界,鋭角,雑音などの局所的な形状変化に対して頑健である。 我々は,公開データセットを用いて広範な評価と比較を行う。 実験の結果,本手法は最先端の手法よりも優れ,効率と堅牢性に優れていた。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
  本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。 提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。 本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
  論文  参考訳（メタデータ） (2024-02-08T17:57:59Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)
• AcED: Accurate and Edge-consistent Monocular Depth Estimation [0.0]
  単一画像深度推定は難しい問題である。 完全に微分可能な順序回帰を定式化し、エンドツーエンドでネットワークを訓練する。 深度補正のための画素ごとの信頼度マップ計算も提案した。
  論文  参考訳（メタデータ） (2020-06-16T15:21:00Z)
• 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。