論文の概要: Bayesian Learning for Disparity Map Refinement for Semi-Dense Active Stereo Vision

• arxiv url: http://arxiv.org/abs/2209.05082v1
• Date: Mon, 12 Sep 2022 08:33:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:27:12.477689
• Title: Bayesian Learning for Disparity Map Refinement for Semi-Dense Active Stereo Vision
• Title（参考訳）: 半拡散能動ステレオビジョンのための差マップの洗練のためのベイズ学習
• Authors: Laurent Valentin Jospin, Hamid Laga, Farid Boussaid, Mohammed Bennamoun
• Abstract要約: 本稿では,ニューラルネットワークを学習し,半高精細能動ステレオビジョンのための高品質なサブピクセル不均質マップを推定する新たな学習手法を提案する。 提案手法は,現在最先端のアクティブステレオモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 30.330599857204344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A major focus of recent developments in stereo vision has been on how to obtain accurate dense disparity maps in passive stereo vision. Active vision systems enable more accurate estimations of dense disparity compared to passive stereo. However, subpixel-accurate disparity estimation remains an open problem that has received little attention. In this paper, we propose a new learning strategy to train neural networks to estimate high-quality subpixel disparity maps for semi-dense active stereo vision. The key insight is that neural networks can double their accuracy if they are able to jointly learn how to refine the disparity map while invalidating the pixels where there is insufficient information to correct the disparity estimate. Our approach is based on Bayesian modeling where validated and invalidated pixels are defined by their stochastic properties, allowing the model to learn how to choose by itself which pixels are worth its attention. Using active stereo datasets such as Active-Passive SimStereo, we demonstrate that the proposed method outperforms the current state-of-the-art active stereo models. We also demonstrate that the proposed approach compares favorably with state-of-the-art passive stereo models on the Middlebury dataset.
• Abstract（参考訳）: 近年のステレオビジョンの発展の主な焦点は、受動ステレオビジョンにおいて、正確な密集した不均質マップを得る方法である。 アクティブビジョンシステムは、受動ステレオと比較してより正確な密度差の推定を可能にする。 しかし、サブピクセル精度の格差推定は未解決の問題であり、ほとんど注目されていない。 本稿では,ニューラルネットワークを学習し,半高能動ステレオビジョンのための高品質なサブピクセル不均一マップを推定する新たな学習手法を提案する。 重要な洞察は、ニューラルネットワークが、不一致推定を補正する情報が不十分なピクセルを無効にしながら、不一致マップを洗練する方法を共同で学べば、その精度を2倍にすることができる、ということである。 我々のアプローチはベイズ的モデリングに基づいており、検証された画素と無効化されたピクセルは確率的性質によって定義され、どのピクセルが注目に値するかをモデルが自分で選択する方法を学ぶことができる。 Active-Passive SimStereoのようなアクティブステレオデータセットを用いて,提案手法が現在最先端のアクティブステレオモデルより優れていることを示す。 また,提案手法は,ミドルベリーデータセットにおける最先端の受動的ステレオモデルと比較した。

関連論文リスト

• Superpixel Cost Volume Excitation for Stereo Matching [27.757112234793624]
  本研究では,スーパーピクセルソフト制約を組み込んだステレオマッチングの本質的な局所的整合性に着目する。 提案手法は,隣接する画素が同一物体に属することが前提とされ,スーパーピクセルの確率体積内によく似た強度を示す。
  論文  参考訳（メタデータ） (2024-11-20T07:59:55Z)
• MaDis-Stereo: Enhanced Stereo Matching via Distilled Masked Image Modeling [18.02254687807291]
  近年、トランスフォーマーベースのステレオモデルが研究されており、ステレオマッチングタスクに固有のデータ不足が原因で、CNNベースのステレオモデルよりも性能が遅れている。 本研究では,Masked Image Modeling Distilled Stereo matching model(MaDis-Stereo)を提案する。
  論文  参考訳（メタデータ） (2024-09-04T16:17:45Z)
• Left-right Discrepancy for Adversarial Attack on Stereo Networks [8.420135490466851]
  本稿では,左画像特徴と右画像特徴との差を最大化するために,摂動雑音を発生させる新しい対向攻撃手法を提案する。 実験により,ステレオニューラルネットワークにおいて予測誤差を増大させる手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-14T02:30:38Z)
• Active-Passive SimStereo -- Benchmarking the Cross-Generalization Capabilities of Deep Learning-based Stereo Methods [26.662129158141763]
  自己相似領域やbland領域は、2つの画像間のパッチの一致を難しくする。 アクティブステレオベースの手法は、シーンに擬似ランダムパターンを投影することでこの問題を軽減する。 このパターンが対向雑音の一形態として振る舞うと、深層学習法の性能に悪影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2022-09-17T10:30:32Z)
• Self-Supervised Depth Completion for Active Stereo [55.79929735390945]
  アクティブステレオシステムは、低コストで高品質な深度マップのため、ロボット産業で広く利用されている。 これらの深度センサーはステレオアーチファクトに悩まされており、密度の深い深度推定を提供していない。 本稿では, 高精度な深度マップを推定するアクティブステレオシステムのための, 自己監督型深度補完法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T07:33:52Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
  SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。 具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。 我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T16:15:46Z)
• Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
  知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。 敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-09-21T19:20:09Z)
• Reversing the cycle: self-supervised deep stereo through enhanced monocular distillation [51.714092199995044]
  多くの分野において、自己教師付き学習ソリューションは急速に進化し、教師付きアプローチでギャップを埋めている。 本稿では,両者の相互関係を逆転する自己教師型パラダイムを提案する。 深層ステレオネットワークを訓練するために,単分子完備ネットワークを通じて知識を抽出する。
  論文  参考訳（メタデータ） (2020-08-17T07:40:22Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。