論文の概要: Automatic calibration of time of flight based non-line-of-sight reconstruction

• arxiv url: http://arxiv.org/abs/2105.10603v1
• Date: Fri, 21 May 2021 23:16:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 15:01:08.963431
• Title: Automatic calibration of time of flight based non-line-of-sight reconstruction
• Title（参考訳）: 非視線再構成による飛行時間の自動校正
• Authors: Subhash Chandra Sadhu, Abhishek Singh, Tomohiro Maeda, Tristan Swedish, Ryan Kim, Lagnojita Sinha, and Ramesh Raskar
• Abstract要約: 誤校正に対処するため,NLOS再建に自己校正を構築する必要性を強調した。 そこで我々は,NLOS計測の前方モデルとして,隠れたシーンアルベド,仮想照明と検出器位置の両面を区別できるモデルを提案する。
• 参考スコア（独自算出の注目度）: 15.72260555818892
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time of flight based Non-line-of-sight (NLOS) imaging approaches require precise calibration of illumination and detector positions on the visible scene to produce reasonable results. If this calibration error is sufficiently high, reconstruction can fail entirely without any indication to the user. In this work, we highlight the necessity of building autocalibration into NLOS reconstruction in order to handle mis-calibration. We propose a forward model of NLOS measurements that is differentiable with respect to both, the hidden scene albedo, and virtual illumination and detector positions. With only a mean squared error loss and no regularization, our model enables joint reconstruction and recovery of calibration parameters by minimizing the measurement residual using gradient descent. We demonstrate our method is able to produce robust reconstructions using simulated and real data where the calibration error applied causes other state of the art algorithms to fail.
• Abstract（参考訳）: time of flight based non-line-of-sight (nlos) imagingアプローチでは、可視シーンの照明と検出器位置の正確な校正が必要である。 このキャリブレーションエラーが十分に高い場合は、ユーザへの指示なしに完全にリコンストラクションが失敗する可能性がある。 本研究では, 誤校正に対処するため, 自己校正をNLOS再構成に組み込むことの必要性を強調した。 そこで我々は,NLOS計測の前方モデルとして,隠れたシーンアルベド,仮想照明と検出器位置の両面を区別できるモデルを提案する。 平均二乗誤差損失と正規化を伴わないモデルでは, 勾配降下による測定残差を最小化し, 同時再構成とキャリブレーションパラメータの回復を可能にする。 そこで,本手法では,キャリブレーション誤差により他の状態のアルゴリズムが故障するシミュレーションデータと実データを用いて,ロバストな再構成を行うことができることを示す。

関連論文リスト

• Calibrating Deep Neural Network using Euclidean Distance [5.675312975435121]
  機械学習では、Focal Lossは、サンプルの分類が難しいことを強調することで、誤分類率を減らすために一般的に使用される。 高校正誤差は予測確率と実際の結果との相違を示し、モデルの信頼性に影響を及ぼす。 本研究では,FCL (Focal Loss) と呼ばれる新しい損失関数を導入する。
  論文  参考訳（メタデータ） (2024-10-23T23:06:50Z)
• Rethinking Pruning Large Language Models: Benefits and Pitfalls of Reconstruction Error Minimization [18.24882084542254]
  本稿では,この誤差を90%以上削減する再構成手法を提案する。 キャリブレーションデータを自己生成する戦略は、再構築と一般化のトレードオフを軽減することができる。
  論文  参考訳（メタデータ） (2024-06-21T05:13:34Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、任意の損失$ell$に対して、任意の因果パラメータのキャリブレーション誤差$theta$の一般的な上限を証明した。 我々は、因果校正のための2つのサンプル分割アルゴリズムの収束解析に境界を用いる。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
  非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。 曲率正規化に基づく新しいNLOS再構成モデルを提案する。 提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
  論文  参考訳（メタデータ） (2023-01-01T14:10:43Z)
• Inferring bias and uncertainty in camera calibration [2.11622808613962]
  本稿では,カメラキャリブレーションにおける基本的な誤差源を捉えるための評価手法を提案する。 バイアス検出法は,最小の系統誤差を明らかにし,校正装置の欠陥を明らかにする。 再サンプリングに基づく新しい不確実性推定器は,非理想的条件下での不確実性推定を可能にする。 カメラモデルに依存しない単純な不確実性指標を導出する。
  論文  参考訳（メタデータ） (2021-07-28T16:49:39Z)
• On the Dark Side of Calibration for Modern Neural Networks [65.83956184145477]
  予測キャリブレーション誤差(ECE)を予測信頼度と改善度に分解する。 正規化に基づくキャリブレーションは、モデルの信頼性を損なうことのみに焦点を当てる。 ラベルの平滑化やミキサアップなど,多くのキャリブレーション手法により,DNNの精度を低下させることで,DNNの有用性を低下させることがわかった。
  論文  参考訳（メタデータ） (2021-06-17T11:04:14Z)
• How to Calibrate Your Event Camera [58.80418612800161]
  画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。 ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
  論文  参考訳（メタデータ） (2021-05-26T07:06:58Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。