論文の概要: SDA-SNE: Spatial Discontinuity-Aware Surface Normal Estimation via
Multi-Directional Dynamic Programming
- arxiv url: http://arxiv.org/abs/2208.08667v1
- Date: Thu, 18 Aug 2022 06:57:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:16:46.174988
- Title: SDA-SNE: Spatial Discontinuity-Aware Surface Normal Estimation via
Multi-Directional Dynamic Programming
- Title（参考訳）: sda-sne:多方向動的プログラミングによる空間不連続性認識面正規推定
- Authors: Nan Ming, Yi Feng, Rui Fan
- Abstract要約: 本稿では,不整合を適応的に決定する,新しい多方向動的プログラミング手法を提案する。
深さ勾配改善戦略は、どの深さから通常のSNEとも互換性がある。
提案するSDA-SNEは,他のSoTA手法よりもはるかに高い性能を実現している。
- 参考スコア（独自算出の注目度）: 7.914975219145502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The state-of-the-art (SoTA) surface normal estimators (SNEs) generally
translate depth images into surface normal maps in an end-to-end fashion.
Although such SNEs have greatly minimized the trade-off between efficiency and
accuracy, their performance on spatial discontinuities, e.g., edges and ridges,
is still unsatisfactory. To address this issue, this paper first introduces a
novel multi-directional dynamic programming strategy to adaptively determine
inliers (co-planar 3D points) by minimizing a (path) smoothness energy. The
depth gradients can then be refined iteratively using a novel recursive
polynomial interpolation algorithm, which helps yield more reasonable surface
normals. Our introduced spatial discontinuity-aware (SDA) depth gradient
refinement strategy is compatible with any depth-to-normal SNEs. Our proposed
SDA-SNE achieves much greater performance than all other SoTA approaches,
especially near/on spatial discontinuities. We further evaluate the performance
of SDA-SNE with respect to different iterations, and the results suggest that
it converges fast after only a few iterations. This ensures its high efficiency
in various robotics and computer vision applications requiring real-time
performance. Additional experiments on the datasets with different extents of
random noise further validate our SDA-SNE's robustness and environmental
adaptability. Our source code, demo video, and supplementary material are
publicly available at mias.group/SDA-SNE.
- Abstract（参考訳）: SNE(State-of-the-art surface normal estimator)は一般的に、深度画像を終末の方法で表面正規写像に変換する。
このようなSNEは効率と精度のトレードオフを大幅に最小化してきたが、エッジやリッジといった空間的不連続性に対する性能は相変わらず不満足である。
この問題に対処するために,本稿ではまず,(パス)滑らか度エネルギーを最小化することにより,不整点(平面3D点)を適応的に決定する,新しい多方向動的プログラミング手法を提案する。
深さ勾配は、より合理的な表面正規値を得るのに役立つ新しい再帰多項式補間アルゴリズムを用いて反復的に洗練することができる。
提案した空間不連続性認識(SDA)深度勾配補正戦略は,任意の深度から正常なSNEと互換性がある。
提案するSDA-SNEは,他のSoTAアプローチ,特に空間的不連続性よりもはるかに高い性能を実現する。
さらに,SDA-SNEの性能を異なるイテレーションで評価した結果,ほんの数イテレーションで高速に収束することが示唆された。
これにより、リアルタイム性能を必要とする様々なロボットやコンピュータビジョンアプリケーションにおいて、高い効率が保証される。
ランダムノイズの程度が異なるデータセットに関する追加実験は、SDA-SNEの堅牢性と環境適応性をさらに検証する。
ソースコード,デモビデオ,補足資料は mias.group/SDA-SNE で公開されている。
関連論文リスト
- Physics-Driven Self-Supervised Deep Learning for Free-Surface Multiple Elimination [3.3244277562036095]
物理物理学において、ディープラーニング(Deep Learning, DL)法は、一般に大量の高品質ラベル付きデータからの教師付き学習に基づいている。
本稿では,損失計算に基礎となる物理を組み込んで,自由表面多重自由波動場をフルウェーブフィールドから効果的にパラメータ化する方法を提案する。
これにより、根拠となる真理データを示すことなく、高品質な推定値が得られる。
論文 参考訳（メタデータ） (2025-01-26T15:37:23Z) - Provably Efficient Algorithm for Nonstationary Low-Rank MDPs [48.92657638730582]
我々は,非定常RLを,遷移カーネルと報酬の両方が時間とともに変化するような,エピソードな低ランクMDPで調査する最初の試みを行っている。
本稿では,パラメータ依存型ポリシ最適化アルゴリズムである Portal を提案し,パラメータフリー版である Ada-Portal の Portal をさらに改良する。
両アルゴリズムとも,非定常性が著しく大きくない限り, Portal と Ada-PortAL はサンプリング効率が良く,サンプリング複雑性を伴う平均的動的準最適ギャップを任意に小さく得ることを示す。
論文 参考訳（メタデータ） (2023-08-10T09:52:44Z) - Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。
符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。
注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
論文 参考訳（メタデータ） (2023-05-10T03:40:25Z) - D2NT: A High-Performing Depth-to-Normal Translator [14.936434857460622]
本稿では,3次元座標を計算せずに深度画像を表面正規写像に変換する超高速深度-正規変換器(D2NT)を提案する。
次に、不連続認識勾配フィルタ(DAG)と、任意の深さから正規SNEに容易に統合できる表面正規化モジュールを提案する。
提案アルゴリズムは,既存の実時間SNEの中で最高の精度を示し,効率と精度のSoTAトレードオフを実現する。
論文 参考訳（メタデータ） (2023-04-24T12:08:03Z) - Dynamic Spatial Propagation Network for Depth Completion [6.3447233767041356]
本稿では,周辺画素間の親和性を注目に基づくアプローチで学習する効率的なモデルを提案する。
実際に,本手法では,他のSPNの性能に適合するイテレーションを少なくし,全体としてより優れた結果が得られる。
論文 参考訳（メタデータ） (2022-02-20T09:43:17Z) - Geometry-Guided Progressive NeRF for Generalizable and Efficient Neural
Human Rendering [139.159534903657]
我々は、高忠実度自由視点人体詳細のための一般化可能で効率的なニューラルレーダランス・フィールド(NeRF)パイプラインを開発した。
自己閉塞性を改善するため,幾何誘導型多視点機能統合手法を考案した。
高いレンダリング効率を達成するため,幾何誘導型プログレッシブレンダリングパイプラインを導入する。
論文 参考訳（メタデータ） (2021-12-08T14:42:10Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳（メタデータ） (2021-12-01T22:55:23Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Regularizing Deep Networks with Semantic Data Augmentation [44.53483945155832]
従来の手法を補完する新しい意味データ拡張アルゴリズムを提案する。
提案手法はディープネットワークが線形化特徴の学習に有効であるという興味深い性質に着想を得たものである。
提案した暗黙的セマンティックデータ拡張(ISDA)アルゴリズムは,新たなロバストCE損失を最小限に抑える。
論文 参考訳（メタデータ） (2020-07-21T00:32:44Z) - Dynamic Regret of Convex and Smooth Functions [93.71361250701075]
非定常環境におけるオンライン凸最適化について検討する。
パフォーマンス指標として動的後悔を選択します。
本研究では, 滑らかさを活かして, 動的後悔をさらに高めることが可能であることを示す。
論文 参考訳（メタデータ） (2020-07-07T14:10:57Z)
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。