論文の概要: Struct-MDC: Mesh-Refined Unsupervised Depth Completion Leveraging
Structural Regularities from Visual SLAM
- arxiv url: http://arxiv.org/abs/2204.13877v1
- Date: Fri, 29 Apr 2022 04:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-02 15:13:05.107254
- Title: Struct-MDC: Mesh-Refined Unsupervised Depth Completion Leveraging
Structural Regularities from Visual SLAM
- Title(参考訳): Struct-MDC: Visual SLAM による構造規則を応用したメッシュによる教師なし深さ補完
- Authors: Jinwoo Jeon, Hyunjun Lim, Dong-Uk Seo, and Hyun Myung
- Abstract要約: 特徴量に基づく視覚的同時位置決めとマッピング法(SLAM)は,抽出した特徴量の深さのみを推定する。
スパース深度から密集深度を推定する深度完了タスクは、探索のようなロボット応用において重要な役割を担っている。
この問題に対処するためのメッシュ深度改善(MDR)モジュールを提案する。
Struct-MDCは、公開およびカスタムデータセット上で、他の最先端アルゴリズムよりも優れています。
- 参考スコア(独自算出の注目度): 1.8899300124593648
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Feature-based visual simultaneous localization and mapping (SLAM) methods
only estimate the depth of extracted features, generating a sparse depth map.
To solve this sparsity problem, depth completion tasks that estimate a dense
depth from a sparse depth have gained significant importance in robotic
applications like exploration. Existing methodologies that use sparse depth
from visual SLAM mainly employ point features. However, point features have
limitations in preserving structural regularities owing to texture-less
environments and sparsity problems. To deal with these issues, we perform depth
completion with visual SLAM using line features, which can better contain
structural regularities than point features. The proposed methodology creates a
convex hull region by performing constrained Delaunay triangulation with depth
interpolation using line features. However, the generated depth includes
low-frequency information and is discontinuous at the convex hull boundary.
Therefore, we propose a mesh depth refinement (MDR) module to address this
problem. The MDR module effectively transfers the high-frequency details of an
input image to the interpolated depth and plays a vital role in bridging the
conventional and deep learning-based approaches. The Struct-MDC outperforms
other state-of-the-art algorithms on public and our custom datasets, and even
outperforms supervised methodologies for some metrics. In addition, the
effectiveness of the proposed MDR module is verified by a rigorous ablation
study.
- Abstract(参考訳): 特徴ベースビジュアル同時局在マッピング(slam)法は抽出された特徴の深さのみを推定し、スパース深度マップを生成する。
この疎度問題を解決するため、スパース深度から密集深度を推定する深度完了タスクは、探索のようなロボット応用において重要な意味を持つようになった。
視覚SLAMのスパース深度を利用する既存の手法は主に点特徴を用いる。
しかし、点の特徴は、テクスチャのない環境や空間的問題による構造的規則性を維持するのに限界がある。
これらの問題に対処するために,線特徴を用いた視的SLAMによる深度補完を行い,点特徴よりも構造的規則性を考慮した。
提案手法は,線特徴を用いた深さ補間を伴う制約付きドローネー三角測量を行うことで凸包領域を作成する。
しかし、生成された深さは低周波情報を含み、凸境界では不連続である。
そこで本研究では,メッシュ深度改善(MDR)モジュールを提案する。
mdrモジュールは、入力画像の高周波詳細を補間深度に効果的に転送し、従来および深層学習に基づくアプローチの橋渡しにおいて重要な役割を果たす。
Struct-MDCは、公開およびカスタムデータセット上で、他の最先端のアルゴリズムよりも優れています。
さらに, 厳密なアブレーション実験により, MDRモジュールの有効性を検証した。
関連論文リスト
- MICDrop: Masking Image and Depth Features via Complementary Dropout for Domain-Adaptive Semantic Segmentation [155.0797148367653]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインギャップを埋めるタスクである。
深度不連続性はしばしばセグメンテーション境界と一致するため、幾何学的情報、すなわち深度予測を活用することを提案する。
提案手法は, 様々な UDA 手法にプラグインし, 標準 UDA ベンチマークで連続的に結果を改善することができることを示す。
論文 参考訳(メタデータ) (2024-08-29T12:15:10Z) - GAM-Depth: Self-Supervised Indoor Depth Estimation Leveraging a
Gradient-Aware Mask and Semantic Constraints [12.426365333096264]
本稿では,勾配認識マスクと意味制約という,2つの新しいコンポーネントをベースとしたGAM-Depthを提案する。
グラデーション対応マスクは、キー領域とテクスチャレス領域の両方の適応的かつ堅牢な監視を可能にする。
室内における自己監督深度推定のセマンティック制約の導入は、物体の境界における深度差を改善する。
論文 参考訳(メタデータ) (2024-02-22T07:53:34Z) - Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。
画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。
局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
論文 参考訳(メタデータ) (2024-02-14T04:07:44Z) - Depth-discriminative Metric Learning for Monocular 3D Object Detection [14.554132525651868]
本稿では,視覚的属性に関係なく,モデルが深度識別的特徴を抽出することを奨励する新しい計量学習手法を提案する。
本手法は, 各種ベースラインの性能を平均23.51%, 5.78%向上させる。
論文 参考訳(メタデータ) (2024-01-02T07:34:09Z) - Joint Learning of Salient Object Detection, Depth Estimation and Contour
Extraction [91.43066633305662]
RGB-D Salient Object Detection (SOD) のための新しいマルチタスク・マルチモーダルフィルタトランス (MMFT) ネットワークを提案する。
具体的には、深度推定、健全な物体検出、輪郭推定の3つの相補的なタスクを統合する。マルチタスク機構は、タスク認識の特徴を補助タスクから学習するためのモデルを促進する。
実験の結果、複数のデータセット上での深度に基づくRGB-D SOD法をはるかに上回るだけでなく、高品質の深度マップと塩分濃度を同時に正確に予測できることがわかった。
論文 参考訳(メタデータ) (2022-03-09T17:20:18Z) - Self-Guided Instance-Aware Network for Depth Completion and Enhancement [6.319531161477912]
既存の手法では,画素ワイド画像の内容とそれに対応する近傍の深度値に基づいて,欠落した深度測定を直接補間する。
本稿では、自己誘導機構を利用して、深度復元に必要なインスタンスレベルの特徴を抽出する自己誘導型インスタンス認識ネットワーク(SG-IANet)を提案する。
論文 参考訳(メタデータ) (2021-05-25T19:41:38Z) - High-resolution Depth Maps Imaging via Attention-based Hierarchical
Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。
本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:28:33Z) - Boundary-induced and scene-aggregated network for monocular depth
prediction [20.358133522462513]
本稿では,1枚のRGB画像の深度を推定するための境界誘導・Scene-aggregated Network (BS-Net)を提案する。
NYUD v2データセットとxffthe iBims-1データセットに関するいくつかの実験結果は、提案手法の最先端性能を示している。
論文 参考訳(メタデータ) (2021-02-26T01:43:17Z) - Semantic-Guided Representation Enhancement for Self-supervised Monocular
Trained Depth Estimation [39.845944724079814]
自己教師付き深度推定は,画像列のみを入力として,高品質の深度マップを作成する上で大きな効果を示した。
しかし、その性能は通常、限界深度表現能力のために境界領域や細い構造を持つ物体を推定する際に低下する。
局所的および大域的な深度特徴表現を促進する意味誘導深度表現拡張法を提案する。
論文 参考訳(メタデータ) (2020-12-15T02:24:57Z) - Efficient Depth Completion Using Learned Bases [94.0808155168311]
深度補正のための新しい大域的幾何制約を提案する。
低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
論文 参考訳(メタデータ) (2020-12-02T11:57:37Z) - 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。