論文の概要: A Surface Geometry Model for LiDAR Depth Completion

• arxiv url: http://arxiv.org/abs/2104.08466v1
• Date: Sat, 17 Apr 2021 06:48:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 13:37:00.683907
• Title: A Surface Geometry Model for LiDAR Depth Completion
• Title（参考訳）: LiDAR深度完了のための表面形状モデル
• Authors: Yiming Zhao, Lin Bai, Ziming Zhang and Xinming Huang
• Abstract要約: LiDAR深度完了は、対応するカメラフレーム上の各ピクセルの深度値を予測するタスクである。 既存の最先端のソリューションのほとんどは、モデルのトレーニングに大量のデータと重い計算を必要とするディープニューラルネットワークに基づいています。 本書では, 外周除去アルゴリズムにより強化された局所表面形状を利用して, 新たな非学習深度補完法を提案する。
• 参考スコア（独自算出の注目度）: 19.33116596688515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR depth completion is a task that predicts depth values for every pixel on the corresponding camera frame, although only sparse LiDAR points are available. Most of the existing state-of-the-art solutions are based on deep neural networks, which need a large amount of data and heavy computations for training the models. In this letter, a novel non-learning depth completion method is proposed by exploiting the local surface geometry that is enhanced by an outlier removal algorithm. The proposed surface geometry model is inspired by the observation that most pixels with unknown depth have a nearby LiDAR point. Therefore, it is assumed those pixels share the same surface with the nearest LiDAR point, and their respective depth can be estimated as the nearest LiDAR depth value plus a residual error. The residual error is calculated by using a derived equation with several physical parameters as input, including the known camera intrinsic parameters, estimated normal vector, and offset distance on the image plane. The proposed method is further enhanced by an outlier removal algorithm that is designed to remove incorrectly mapped LiDAR points from occluded regions. On KITTI dataset, the proposed solution achieves the best error performance among all existing non-learning methods and is comparable to the best self-supervised learning method and some supervised learning methods. Moreover, since outlier points from occluded regions is a commonly existing problem, the proposed outlier removal algorithm is a general preprocessing step that is applicable to many robotic systems with both camera and LiDAR sensors.
• Abstract（参考訳）: LiDARの深さ完了は対応するカメラフレーム上の各ピクセルの深さ値を予測するタスクである。 既存の最先端ソリューションのほとんどは、モデルトレーニングのために大量のデータと重い計算を必要とするディープニューラルネットワークに基づいている。 本稿では,外乱除去アルゴリズムによって強化された局所表面形状を利用して,新しい非学習深度補完法を提案する。 提案した表面幾何モデルは、深さの不明なほとんどのピクセルが近傍のLiDAR点を持つという観察に着想を得たものである。 したがって、これらの画素は同じ表面を最寄りのLiDAR点と共有し、それぞれの深さを最寄りのLiDAR深さ値と残留誤差と推定することができる。 残差誤差は、既知のカメラ固有のパラメータ、推定正規ベクトル、画像平面上のオフセット距離を含む、いくつかの物理パラメータを入力として導出した方程式を用いて算出される。 提案手法は,不正マップされたLiDAR点を隠蔽領域から除去するアルゴリズムにより,さらに拡張されている。 KITTIデータセットでは、提案手法は既存のすべての非学習手法の中で最高のエラー性能を達成し、最高の自己教師付き学習手法といくつかの教師付き学習手法に匹敵する。 さらに、隠蔽領域から外れた点が一般的な問題であるため、カメラとLiDARの両方のセンサーを備えた多くのロボットシステムに適用可能な、一般的な前処理ステップである。

関連論文リスト

• TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
  本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。 本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。 推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
  論文  参考訳（メタデータ） (2024-09-08T15:54:43Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• 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)
• Differentiable Diffusion for Dense Depth Estimation from Multi-view Images [31.941861222005603]
  深度マップへの拡散がRGB監督からの多視点再投射誤差を最小限に抑えるように、細かな点集合を最適化することにより、深度を推定する手法を提案する。 また,複雑なシーン再構成に必要な50k以上のポイントを同時に最適化できる効率的な最適化ルーチンを開発した。
  論文  参考訳（メタデータ） (2021-06-16T16:17:34Z)
• Deterministic Guided LiDAR Depth Map Completion [0.0]
  本稿では, 誘導RGB画像を用いて, 疎LiDARに基づく深度マップを密度化するための非深度学習に基づくアプローチを提案する。 本手法の評価は,提案手法の検証を行うKITTI深度補完ベンチマークを用いて行う。
  論文  参考訳（メタデータ） (2021-06-14T09:19:47Z)
• 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)
• 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)
• Depth Completion using Piecewise Planar Model [94.0808155168311]
  深度マップは一連の学習された基底で表現することができ、閉じた解法で効率的に解ける。 しかし、この方法の1つの問題は、色境界が深さ境界と矛盾する場合にアーチファクトを生成することである。 私たちは、より厳密な深度回復モデルを実行します。
  論文  参考訳（メタデータ） (2020-12-06T07:11:46Z)
• Balanced Depth Completion between Dense Depth Inference and Sparse Range Measurements via KISS-GP [14.158132769768578]
  密集した正確な深度マップを推定することは、自動運転とロボット工学にとって重要な要件である。 近年のディープラーニングの進歩により、単一の画像から全解像度での深度推定が可能になった。 この驚くべき結果にもかかわらず、多くのディープラーニングベースの単眼深度推定アルゴリズムは、その精度をメーターレベルの推定誤差に保たない。
  論文  参考訳（メタデータ） (2020-08-12T08:07:55Z)
• 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。