論文の概要: Optical Flow Dataset Synthesis from Unpaired Images

• arxiv url: http://arxiv.org/abs/2104.02615v1
• Date: Fri, 2 Apr 2021 22:19:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 04:31:52.177097
• Title: Optical Flow Dataset Synthesis from Unpaired Images
• Title（参考訳）: 非ペア画像からの光フローデータセット合成
• Authors: Adrian W\"alchli and Paolo Favaro
• Abstract要約: 本稿では,光の流れを教師付きで訓練するために使用できる擬似実画像の訓練セットを構築する新しい手法を提案する。 我々のデータセットは実データから2つの未ペアフレームを使用し、ランダムなワープをシミュレートしてフレームのペアを生成する。 そこで我々は,真理を正確に把握しながら,実データを直接訓練する利点を得る。
• 参考スコア（独自算出の注目度）: 36.158607790844705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The estimation of optical flow is an ambiguous task due to the lack of correspondence at occlusions, shadows, reflections, lack of texture and changes in illumination over time. Thus, unsupervised methods face major challenges as they need to tune complex cost functions with several terms designed to handle each of these sources of ambiguity. In contrast, supervised methods avoid these challenges altogether by relying on explicit ground truth optical flow obtained directly from synthetic or real data. In the case of synthetic data, the ground truth provides an exact and explicit description of what optical flow to assign to a given scene. However, the domain gap between synthetic data and real data often limits the ability of a trained network to generalize. In the case of real data, the ground truth is obtained through multiple sensors and additional data processing, which might introduce persistent errors and contaminate it. As a solution to these issues, we introduce a novel method to build a training set of pseudo-real images that can be used to train optical flow in a supervised manner. Our dataset uses two unpaired frames from real data and creates pairs of frames by simulating random warps, occlusions with super-pixels, shadows and illumination changes, and associates them to their corresponding exact optical flow. We thus obtain the benefit of directly training on real data while having access to an exact ground truth. Training with our datasets on the Sintel and KITTI benchmarks is straightforward and yields models on par or with state of the art performance compared to much more sophisticated training approaches.
• Abstract（参考訳）: 光流の推定は、咬合、影、反射、テクスチャの欠如、時間経過に伴う照明の変化に対する対応の欠如による曖昧な作業である。 したがって、教師なしのメソッドは、これらの曖昧さの源をそれぞれ扱うように設計された複数の用語で複雑なコスト関数をチューニングする必要があるため、大きな課題に直面している。 対照的に、教師付き手法は、合成データや実データから直接得られる露骨な真実の光の流れに頼ることによって、これらの課題を完全に回避している。 合成データの場合、基底真理は、与えられたシーンに割り当てるべき光の流れを正確に明示的に記述する。 しかし、合成データと実際のデータのドメインギャップは、しばしば訓練されたネットワークが一般化する能力を制限する。 実際のデータの場合、基盤となる真実は複数のセンサーと追加のデータ処理によって得られ、永続的なエラーを引き起こして汚染する可能性がある。 そこで本稿では,これらの問題を解決するために,光流を教師ありに訓練できる擬似実画像の訓練セットを構築する新しい手法を提案する。 我々のデータセットは、実際のデータから2つの未ペアフレームを使用し、ランダムなワープをシミュレートし、スーパーピクセルとオクルージョン、シャドウ、照明の変化とそれらを対応する正確な光学フローに関連付け、フレームのペアを生成する。 そこで我々は,真理を正確に把握しながら,実データを直接訓練する利点を得る。 SintelとKITTIベンチマークのデータセットを使用したトレーニングは簡単で、より高度なトレーニングアプローチと比較して、同等あるいは同等なパフォーマンスのモデルが得られる。

関連論文リスト

• The Devil in the Details: Simple and Effective Optical Flow Synthetic Data Generation [19.945859289278534]
  本稿では,光学フローデータセットの要求特性が比較的単純であり,簡易な合成データ生成法を提案する。 2次元動きに基づくデータセットでは、合成データセットを生成するための最も単純だが重要な要素を体系的に分析する。
  論文  参考訳（メタデータ） (2023-08-14T18:01:45Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
  4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。 光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。 提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
  論文  参考訳（メタデータ） (2021-06-06T06:19:50Z)
• Learning optical flow from still images [53.295332513139925]
  我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。 既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。 我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:58Z)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• Optical Flow in Dense Foggy Scenes using Semi-Supervised Learning [37.25344909016075]
  トレーニングプロセスにおいて,光学的流れを伴わない実霧画像を用いた半教師付き深層学習手法を提案する。 本稿では,教師なしデータトレーニングと教師なしデータトレーニングを組み合わせた新しいトレーニング戦略を提案する。 実験結果から,高密度霧場における光学的流れの推定において,本手法は有効であり,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-04T10:44:16Z)

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。