論文の概要: How to Guide Adaptive Depth Sampling?

• arxiv url: http://arxiv.org/abs/2205.10202v1
• Date: Fri, 20 May 2022 14:23:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 14:28:17.961079
• Title: How to Guide Adaptive Depth Sampling?
• Title（参考訳）: 適応的奥行きサンプリングの誘導法
• Authors: Ilya Tcenov, Guy Gilboa
• Abstract要約: ニューラルネットワークは、RGB画像から非常に忠実なImportance Mapを生成することができることを示す。 次に,再構築が困難な地域でより密集したシーンのサンプリングパターンを生成するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.848252984349603
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in depth sensing technologies allow fast electronic maneuvering of the laser beam, as opposed to fixed mechanical rotations. This will enable future sensors, in principle, to vary in real-time the sampling pattern. We examine here the abstract problem of whether adapting the sampling pattern for a given frame can reduce the reconstruction error or allow a sparser pattern. We propose a constructive generic method to guide adaptive depth sampling algorithms. Given a sampling budget B, a depth predictor P and a desired quality measure M, we propose an Importance Map that highlights important sampling locations. This map is defined for a given frame as the per-pixel expected value of M produced by the predictor P, given a pattern of B random samples. This map can be well estimated in a training phase. We show that a neural network can learn to produce a highly faithful Importance Map, given an RGB image. We then suggest an algorithm to produce a sampling pattern for the scene, which is denser in regions that are harder to reconstruct. The sampling strategy of our modular framework can be adjusted according to hardware limitations, type of depth predictor, and any custom reconstruction error measure that should be minimized. We validate through simulations that our approach outperforms grid and random sampling patterns as well as recent state-of-the-art adaptive algorithms.
• Abstract（参考訳）: 近年の深度センシング技術は、固定された機械回転とは対照的に、レーザービームの高速電子操作を可能にする。 これにより、将来のセンサーは、原則として、サンプリングパターンをリアルタイムで変更することができる。 ここでは,あるフレームに対するサンプリングパターンの適応が再構成誤差を低減するか,スペーサーパターンを許容するかという抽象的な問題を考察する。 適応的な深度サンプリングアルゴリズムを導くための構成的汎用手法を提案する。 サンプリング予算Bと深度予測器Pと所望の品質指標Mが与えられた場合、重要なサンプリング場所をハイライトする重要度マップを提案する。 このマップは、与えられたフレームに対して、予測器pが生成するmのピクセル当たりの期待値として定義され、bランダムサンプルのパターンが与えられる。 このマップはトレーニングフェーズでよく見積もることができる。 ニューラルネットワークは、RGB画像から非常に忠実なImportance Mapを生成することができることを示す。 次に,再構築が困難な地域でより密集したシーンのサンプリングパターンを生成するアルゴリズムを提案する。 モジュラーフレームワークのサンプリング戦略は、ハードウェアの制限、深さ予測器の種類、および最小化すべきカスタムリコンストラクションエラー対策に応じて調整することができる。 提案手法がグリッドやランダムサンプリングパターンや最新の最先端適応アルゴリズムよりも優れていることをシミュレーションによって検証する。

関連論文リスト

• Fine Structure-Aware Sampling: A New Sampling Training Scheme for Pixel-Aligned Implicit Models in Single-View Human Reconstruction [98.30014795224432]
  本研究では,単一視点の人物再構成のための暗黙的画素アライメントモデルをトレーニングするために,FSS(Final Structured-Aware Sampling)を導入する。 FSSは表面の厚さと複雑さに積極的に適応する。 また、画素アライメント型暗黙的モデルのためのメッシュ厚み損失信号を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:26:46Z)
• 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)
• Differentiable Rendering with Reparameterized Volume Sampling [2.717399369766309]
  ビュー合成において、ニューラルネットワークは、シーン画像のスパースセットに基づいて、基礎となる密度と放射場を近似する。 このレンダリングアルゴリズムは、完全に微分可能であり、フィールドの勾配に基づく最適化を容易にする。 逆変換サンプリングに基づく単純なエンドツーエンドの微分可能サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-21T19:56:50Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Parallelised Diffeomorphic Sampling-based Motion Planning [30.310891362316863]
  並列化拡散型サンプリングベースモーションプランニング(PDMP)を提案する。 PDMPは、サンプリングベースモーションプランナーのサンプリング分布を、正規化フローに似た方法で変換する。 PDMPは、コストの勾配情報を利用して、最適化ベースのモーションプランニング手法と同様の方法で仕様を注入することができる。
  論文  参考訳（メタデータ） (2021-08-26T13:15:11Z)
• iNNformant: Boundary Samples as Telltale Watermarks [68.8204255655161]
  4つの試験されたマイクロアーキテクチャのいずれかを識別できる境界サンプルの集合を生成することができることを示す。 これらのセットは70dBよりも悪いピーク信号-雑音比のサンプルを含まないように構築することができる。
  論文  参考訳（メタデータ） (2021-06-14T11:18:32Z)
• Adaptive Illumination based Depth Sensing using Deep Learning [18.72398843488572]
  RGB画像とスパース深度マップ計測を融合した高密度深度マップを推定する様々な手法が提案されている。 ハードウェアの最近の進歩により、適応的な深度測定が可能となり、深度マップ推定がさらに改善された。 このような適応的なサンプリングマスクは,様々なサンプリング率で多くのrgbおよびスパース深度融合アルゴリズムにうまく一般化できることを示す。
  論文  参考訳（メタデータ） (2021-03-23T04:21:07Z)
• Adaptive LiDAR Sampling and Depth Completion using Ensemble Variance [12.633386045916444]
  本研究は, 画像データの有無に関わらず, 所定の限られた画素数の深さをアルゴリズムが測定できるという, 深度完備化の問題について考察する。 アルゴリズム上の課題は、画素位置を戦略的かつ動的に選択し、全体の深さ推定誤差を最大に削減することである。 この設定は、プログラム可能なLiDARを備えた自動運転車の昼間または夜間の深度完了時に実現される。
  論文  参考訳（メタデータ） (2020-07-27T19:54:42Z)
• Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
  カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。 我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
  論文  参考訳（メタデータ） (2020-04-23T05:00:21Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Learning to Importance Sample in Primary Sample Space [22.98252856114423]
  本稿では,ニューラルネットワークを用いて,サンプルの集合に代表される所望密度からサンプルを抽出する方法を学習する,新たな重要サンプリング手法を提案する。 提案手法は, 様々なシナリオにおいて, 効果的な分散低減につながることを示す。
  論文  参考訳（メタデータ） (2018-08-23T16:55:53Z)

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。