Fugu-MT 論文翻訳(概要): Uni6Dv2: Noise Elimination for 6D Pose Estimation

論文の概要: Uni6Dv2: Noise Elimination for 6D Pose Estimation

arxiv url: http://arxiv.org/abs/2208.06416v1
Date: Mon, 15 Aug 2022 04:30:00 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:39:29.622316
Title: Uni6Dv2: Noise Elimination for 6D Pose Estimation
Title（参考訳）: uni6dv2:6次元ポーズ推定のためのノイズ除去
Authors: Mingshan Sun, Ye Zheng, Tianpeng Bao, Jianqiu Chen, Guoqiang Jin, Liwei Wu, Rui Zhao, Xiaoke Jiang
Abstract要約: Uni6D のパフォーマンス制限の主な原因は Instance-Outside と Instance-Inside のノイズである。上述したUni6Dの雑音に対する2段階のデノケーション手法を提案する。提案手法であるUni6Dv2は、推定効率を犠牲にすることなく、有効かつ堅牢にノイズを除去し、Uni6Dより優れた性能を発揮する。
参考スコア（独自算出の注目度）: 15.85862470854505
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Few prior 6D pose estimation methods use a backbone network to extract features from RGB and depth images, and Uni6D is the pioneer to do so. We find that primary causes of the performance limitation in Uni6D are Instance-Outside and Instance-Inside noise. Uni6D inevitably introduces Instance-Outside noise from background pixels in the receptive field due to its inherently straightforward pipeline design and ignores the Instance-Inside noise in the input depth data. In this work, we propose a two-step denoising method to handle aforementioned noise in Uni6D. In the first step, an instance segmentation network is used to crop and mask the instance to remove noise from non-instance regions. In the second step, a lightweight depth denoising module is proposed to calibrate the depth feature before feeding it into the pose regression network. Extensive experiments show that our method called Uni6Dv2 is able to eliminate the noise effectively and robustly, outperforming Uni6D without sacrificing too much inference efficiency. It also reduces the need for annotated real data that requires costly labeling.
Abstract（参考訳）: 以前の6Dポーズ推定手法はほとんどないが、バックボーンネットワークを使ってRGBと深度画像から特徴を抽出し、Uni6Dがその先駆者である。 Uni6D のパフォーマンス制限の主な原因は Instance-Outside と Instance-Inside のノイズである。 uni6dは、本質的に単純なパイプライン設計のため、レセプティブフィールドの背景画素からのインスタンス-アウトサイドノイズを必然的に導入し、入力深度データにおけるインスタンス-インサイドノイズを無視する。本稿では,上述した雑音をuni6dで処理するための2段階のデノージング法を提案する。最初のステップでは、インスタンスセグメンテーションネットワークを使用してインスタンスを収穫し、非インスタンス領域からノイズを除去する。第2のステップでは、ポーズ回帰ネットワークに投入する前に、深さ特性を校正する軽量深度復調モジュールを提案する。広範に実験した結果,Uni6Dv2 という手法は騒音を効果的かつ堅牢に除去し,推定効率を過大に損なうことなく Uni6D より優れることがわかった。また、高価なラベリングを必要とする注釈付き実データの必要性も減らす。

関連論文リスト

Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
教師付き深層学習が画像認知のための選択方法となっている。一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
論文参考訳（メタデータ） (2024-07-24T16:23:46Z)
6D-Diff: A Keypoint Diffusion Framework for 6D Object Pose Estimation [16.242361975225066]
単一のRGB画像から6Dオブジェクトのポーズを推定することは、しばしばノイズと不確定性を伴う。本稿では,オブジェクトのポーズ推定におけるノイズと不確定性を扱うための拡散に基づく新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-29T05:28:35Z)
Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文参考訳（メタデータ） (2022-09-26T14:11:05Z)
Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文参考訳（メタデータ） (2022-04-06T14:09:02Z)
Adversarial samples for deep monocular 6D object pose estimation [16.308526930732718]
RGB画像からオブジェクト6Dのポーズを推定することは、自律運転やロボットグリップといった現実の多くのアプリケーションにとって重要である。本研究では,最先端深層学習(SOTA)に基づく6次元ポーズ推定モデルを騙しうる敵対的サンプルについて検討する。
論文参考訳（メタデータ） (2022-03-01T09:16:37Z)
IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文参考訳（メタデータ） (2021-11-29T07:22:53Z)
SO-Pose: Exploiting Self-Occlusion for Direct 6D Pose Estimation [98.83762558394345]
SO-Poseは、オブジェクトの6自由度(6DoF)をすべて、単一のRGBイメージから散らばった環境でポーズさせるフレームワークである。本稿では,3次元オブジェクトの2層表現を確立するために,自己閉塞に関する新たな推論を導入する。対応性,自己閉塞性,6次元ポーズを整列する層間合成により,精度とロバスト性をさらに向上させることができる。
論文参考訳（メタデータ） (2021-08-18T19:49:29Z)
Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文参考訳（メタデータ） (2021-07-02T11:55:40Z)
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文参考訳（メタデータ） (2021-01-08T02:03:25Z)
Spatial Attention Improves Iterative 6D Object Pose Estimation [52.365075652976735]
本稿では,RGB画像を用いた6次元ポーズ推定の改良手法を提案する。私たちの主な洞察力は、最初のポーズ推定の後、オブジェクトの異なる空間的特徴に注意を払うことが重要です。実験により,このアプローチが空間的特徴に順応することを学び,被写体の一部を無視することを学び,データセット間でのポーズ推定を改善することを実証した。
論文参考訳（メタデータ） (2021-01-05T17:18:52Z)
Noise2Inpaint: Learning Referenceless Denoising by Inpainting Unrolling [2.578242050187029]
本稿では,ノイズ2Inpaint (N2I) をトレーニング手法として導入し,デノナイジング問題を正規化した画像インパインティングフレームワークに再キャストする。 N2Iは、実世界のデータセットのデノベーションを成功させると同時に、純粋にデータ駆動型であるNoss2Selfと比較して詳細を保存できる。
論文参考訳（メタデータ） (2020-06-16T18:46:42Z)

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。