論文の概要: A Decomposition Model for Stereo Matching

• arxiv url: http://arxiv.org/abs/2104.07516v1
• Date: Thu, 15 Apr 2021 15:16:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 20:41:14.014592
• Title: A Decomposition Model for Stereo Matching
• Title（参考訳）: ステレオマッチングのための分解モデル
• Authors: Chengtang Yao, Yunde Jia, Huijun Di, Pengxiang Li, Yuwei Wu
• Abstract要約: 本稿では, ステレオマッチングの分解モデルを用いて, 解像度が増大するにつれて計算コストが過度に増大する問題を解く。 私たちのモデルは、非常に低い解像度でのみ高密度マッチングを実行し、異なる高分解能でスパースマッチングを使用して、スケールごとに失われた詳細のばらつきを回復します。
• 参考スコア（独自算出の注目度）: 43.04003114948216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a decomposition model for stereo matching to solve the problem of excessive growth in computational cost (time and memory cost) as the resolution increases. In order to reduce the huge cost of stereo matching at the original resolution, our model only runs dense matching at a very low resolution and uses sparse matching at different higher resolutions to recover the disparity of lost details scale-by-scale. After the decomposition of stereo matching, our model iteratively fuses the sparse and dense disparity maps from adjacent scales with an occlusion-aware mask. A refinement network is also applied to improving the fusion result. Compared with high-performance methods like PSMNet and GANet, our method achieves $10-100\times$ speed increase while obtaining comparable disparity estimation results.
• Abstract（参考訳）: 本稿では,ステレオマッチングのための分解モデルを提案し,解像度が増加するにつれて計算コスト(時間とメモリコスト)が過度に増加する問題を解く。 元の解像度でのステレオマッチングの膨大なコストを削減するため、我々のモデルは、非常に低解像度での密マッチングのみを実行し、異なる高解像度でのスパースマッチングを使用して、失われた詳細の差をスケールごとに再現する。 ステレオマッチングの分解後,本モデルでは,隣接するスケールからの疎密度と疎密度を密閉マスクで反復的に融合させる。 また、融合結果を改善するための改良ネットワークも適用する。 PSMNet や GANet のような高性能な手法と比較して,提案手法は同等の差分推定結果を得ながら,10-100\times$の高速化を実現している。

関連論文リスト

• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Stereo Matching with Cost Volume based Sparse Disparity Propagation [27.74131924190943]
  本稿では,コストの一致量とスパースマッチング特徴点に基づく一般的なステレオマッチングを改善するための,シンプルながら斬新な手法を提案する。 提案手法は,最先端手法に匹敵する有望な性能を実現する。
  論文  参考訳（メタデータ） (2022-01-28T05:20:41Z)
• Coarse-to-Fine Embedded PatchMatch and Multi-Scale Dynamic Aggregation for Reference-based Super-Resolution [48.093500219958834]
  参照型スーパーリゾリューションのためのAMSA(Accelerated Multi-Scale Aggregation Network)を提案する。 提案したAMSAは,定量評価と定性評価の両面において,最先端の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-01-12T08:40:23Z)
• Multi-scale Iterative Residuals for Fast and Scalable Stereo Matching [13.76996108304056]
  本稿では,このギャップを埋めるために,反復的マルチスケール粗粒微細化(iCFR)フレームワークを提案する。 マルチスケールのワープ機能を用いて,差分残差を推定し,コスト容積の差分探索範囲を最小限まで押し上げる。 最後に,マルチスケールアプローチに固有の精度の喪失を回復するために,改良ネットワークを適用した。
  論文  参考訳（メタデータ） (2021-10-25T09:54:17Z)
• PixelPyramids: Exact Inference Models from Lossless Image Pyramids [58.949070311990916]
  Pixel-Pyramidsは、画像画素の関節分布を符号化するスケール特異的表現を用いたブロック自動回帰手法である。 様々な画像データセット、特に高解像度データに対する密度推定の最先端結果が得られる。 CelebA-HQ 1024 x 1024 では,フローベースモデルの並列化よりもサンプリング速度が優れているにもかかわらず,密度推定値がベースラインの 44% に向上することが観察された。
  論文  参考訳（メタデータ） (2021-10-17T10:47:29Z)
• Correlate-and-Excite: Real-Time Stereo Matching via Guided Cost Volume Excitation [65.83008812026635]
  本稿では,GCE ( Guided Cost Volume Excitation) を構築し,画像によって誘導されるコストボリュームの簡単なチャネル励磁により,性能が大幅に向上することを示す。 我々はCorrelate-and-Excite(CoEx)と呼ぶエンドツーエンドネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-12T14:32:26Z)
• CFNet: Cascade and Fused Cost Volume for Robust Stereo Matching [27.313740022587442]
  ステレオマッチングネットワークのロバスト性を改善するために,カスケードとフューズドのコストボリュームに基づくネットワークCFNetを提案する。 分散に基づく不確実性推定を用いて、次の段階の差分探索空間を適応的に調整する。 提案手法は、最先端の総合性能を達成し、Robust Vision Challenge 2020のステレオタスクで1位を獲得します。
  論文  参考訳（メタデータ） (2021-04-09T11:38:59Z)
• SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
  SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。 具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。 我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T16:15:46Z)
• Fusion of Range and Stereo Data for High-Resolution Scene-Modeling [20.824550995195057]
  本稿では,高分解能深度マップの構築において,レンジステレオ融合の問題に対処する。 低分解能深度データと高分解能ステレオデータとを最大後部(MAP)定式化で組み合わせる。 エネルギー関数におけるデータ期間の3つの特性のために、方法の精度は損なわれません。
  論文  参考訳（メタデータ） (2020-12-12T09:37:42Z)

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。