論文の概要: GeoRefine: Self-Supervised Online Depth Refinement for Accurate Dense Mapping

• arxiv url: http://arxiv.org/abs/2205.01656v1
• Date: Tue, 3 May 2022 17:39:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:33:04.948715
• Title: GeoRefine: Self-Supervised Online Depth Refinement for Accurate Dense Mapping
• Title（参考訳）: GeoRefine: 正確なデンスマッピングのための自己監督型オンライン奥行きリファインメント
• Authors: Pan Ji, Qingan Yan, Yuxin Ma, and Yi Xu
• Abstract要約: 単分子配列からの幾何的に一貫性のある高密度マッピングを実現するために,GeoRefine という,頑健で高精度な深度精錬システムを提案する。 GeoRefineは3つのモジュールで構成されている: 学習ベースの事前処理を用いたハイブリッドSLAMモジュール、セルフスーパービジョンを活用したオンライン深度改善モジュール、TSDF融合によるグローバルマッピングモジュール。 複数の公開データセット上でGeoRefineを広範囲に評価し、絶対相対深度誤差を5%以上まで下げる。
• 参考スコア（独自算出の注目度）: 24.15738665810018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a robust and accurate depth refinement system, named GeoRefine, for geometrically-consistent dense mapping from monocular sequences. GeoRefine consists of three modules: a hybrid SLAM module using learning-based priors, an online depth refinement module leveraging self-supervision, and a global mapping module via TSDF fusion. The proposed system is online by design and achieves great robustness and accuracy via: (i) a robustified hybrid SLAM that incorporates learning-based optical flow and/or depth; (ii) self-supervised losses that leverage SLAM outputs and enforce long-term geometric consistency; (iii) careful system design that avoids degenerate cases in online depth refinement. We extensively evaluate GeoRefine on multiple public datasets and reach as low as $5\%$ absolute relative depth errors.
• Abstract（参考訳）: 単分子配列からの幾何的に一貫性のある高密度マッピングを実現するために,GeoRefineという,頑健で高精度な深度補正システムを提案する。 GeoRefineは3つのモジュールで構成されている: 学習ベースの事前処理を用いたハイブリッドSLAMモジュール、セルフスーパービジョンを活用したオンライン深度改善モジュール、TSDF融合によるグローバルマッピングモジュール。 提案するシステムは, 設計によってオンライン化されており, 高い堅牢性と正確性を実現している。 (i)学習型光学フロー及び/又は深度を組み込んだ強化されたハイブリッドSLAM (II)SLAM出力を利用して長期的幾何整合を強制する自己監督的損失 三 オンライン深度改善における退化事件を回避するための注意深いシステム設計。 複数の公開データセット上でGeoRefineを広範囲に評価し、絶対相対深度誤差が5\%$である。

関連論文リスト

• Depth Completion with Multiple Balanced Bases and Confidence for Dense Monocular SLAM [34.78726455243436]
  本稿では,軽量深度補完網をスパースSLAMシステムに統合する新しい手法を提案する。 具体的には,BBC-Netと呼ばれる,高度に最適化されたマルチバス深度補完ネットワークを提案する。 BBC-Netは、オフザシェルキーポイントベースのSLAMシステムによって生成されたスパースポイントを持つ単眼画像から、複数のバランスの取れたベースと信頼マップを予測できる。
  論文  参考訳（メタデータ） (2023-09-08T06:15:27Z)
• HDPV-SLAM: Hybrid Depth-augmented Panoramic Visual SLAM for Mobile Mapping System with Tilted LiDAR and Panoramic Visual Camera [4.2421412410466575]
  本稿では,Hybrid Depth-augmented Panoramic Visual SLAM (HDPV-SLAM) と呼ばれる新しい視覚同時局在マッピングシステムを提案する。 パノラマカメラと傾斜マルチビームLiDARスキャナを使用して、正確で計量スケールの軌道を生成する。 これは、同様のSLAMシステムの性能を妨げる2つの大きな問題を解決することを目的としている。
  論文  参考訳（メタデータ） (2023-01-27T16:25:28Z)
• Struct-MDC: Mesh-Refined Unsupervised Depth Completion Leveraging Structural Regularities from Visual SLAM [1.8899300124593648]
  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。
  論文  参考訳（メタデータ） (2022-04-29T04:29:17Z)
• HiMODE: A Hybrid Monocular Omnidirectional Depth Estimation Model [3.5290359800552946]
  HiMODE は CNN+ Transformer アーキテクチャに基づく新しい単分子全方位深度推定モデルである。 360deg単分子深度推定において,HiMODEは最先端の性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2022-04-11T11:11:43Z)
• Non-local Recurrent Regularization Networks for Multi-view Stereo [108.17325696835542]
  深層多視点ステレオネットワークでは、正確な深さ推定を実現するためにコスト正規化が不可欠である。 NR2-Netと呼ばれるマルチビューステレオのための新しい非局所リカレント正規化ネットワークを提案する。 提案手法は,DTU,タンク,テンプルの双方のデータセットに対して,最先端の再構築結果を実現する。
  論文  参考訳（メタデータ） (2021-10-13T01:43:54Z)
• Deep Two-View Structure-from-Motion Revisited [83.93809929963969]
  2次元構造移動(SfM)は3次元再構成と視覚SLAMの基礎となる。 古典パイプラインの適切性を活用することで,深部2視点sfmの問題を再検討することを提案する。 本手法は,1)2つのフレーム間の密対応を予測する光フロー推定ネットワーク,2)2次元光フロー対応から相対カメラポーズを計算する正規化ポーズ推定モジュール,3)エピポーラ幾何を利用して探索空間を縮小し,密対応を洗練し,相対深度マップを推定するスケール不変深さ推定ネットワークからなる。
  論文  参考訳（メタデータ） (2021-04-01T15:31:20Z)
• GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement for Joint Depth and Surface Normal Estimation [204.13451624763735]
  本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。 geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。 画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
  論文  参考訳（メタデータ） (2020-12-13T06:48:01Z)
• Pseudo RGB-D for Self-Improving Monocular SLAM and Depth Prediction [72.30870535815258]
  モノクロ深度予測のためのCNNは、周囲の環境の3Dマップを構築するための2つの大きく不連続なアプローチを表している。 本稿では,CNN予測深度を利用してRGB-D特徴量に基づくSLAMを行う,狭義の広義の自己改善フレームワークを提案する。 一方、より原理化された幾何学的SLAMの3次元シーン構造とカメラポーズは、新しい広義のベースライン損失により奥行きネットワークに注入される。
  論文  参考訳（メタデータ） (2020-04-22T16:31:59Z)
• OmniSLAM: Omnidirectional Localization and Dense Mapping for Wide-baseline Multi-camera Systems [88.41004332322788]
  超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。 より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。 我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
  論文  参考訳（メタデータ） (2020-03-18T05:52:10Z)
• RoutedFusion: Learning Real-time Depth Map Fusion [73.0378509030908]
  深度マップ融合のための新しいリアルタイム能動機械学習手法を提案する。 本稿では,通常の核融合エラーを考慮に入れた非線形更新を予測できるニューラルネットワークを提案する。 本ネットワークは2次元深度ルーティングネットワークと3次元深度融合ネットワークから構成されており,センサ固有のノイズや外れ値の処理を効率的に行う。
  論文  参考訳（メタデータ） (2020-01-13T16:46:41Z)

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。