論文の概要: Fast, Accurate and Object Boundary-Aware Surface Normal Estimation from Depth Maps

• arxiv url: http://arxiv.org/abs/2209.08241v1
• Date: Sat, 17 Sep 2022 04:43:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 17:51:28.677414
• Title: Fast, Accurate and Object Boundary-Aware Surface Normal Estimation from Depth Maps
• Title（参考訳）: 深度マップによる高速・高精度・物体境界面の正規化
• Authors: Saed Moradi, Alireza Memarmoghadam, Denis Laurendeau
• Abstract要約: 提案手法は、よく知られた表面正規推定アルゴリズムと比較する。 その結果,提案アルゴリズムは精度の点でベースラインアルゴリズムより優れるだけでなく,リアルタイムアプリケーションで使用するのに十分高速であることがわかった。
• 参考スコア（独自算出の注目度）: 1.8129257120129638
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper proposes a fast and accurate surface normal estimation method which can be directly used on depth maps (organized point clouds). The surface normal estimation process is formulated as a closed-form expression. In order to reduce the effect of measurement noise, the averaging operation is utilized in multi-direction manner. The multi-direction normal estimation process is reformulated in the next step to be implemented efficiently. Finally, a simple yet effective method is proposed to remove erroneous normal estimation at depth discontinuities. The proposed method is compared to well-known surface normal estimation algorithms. The results show that the proposed algorithm not only outperforms the baseline algorithms in term of accuracy, but also is fast enough to be used in real-time applications.
• Abstract（参考訳）: 本稿では,深度マップ(集合点雲)上で直接使用できる高速かつ高精度な表面正規推定法を提案する。 表面正規推定過程は閉形式式として定式化される。 測定ノイズの影響を低減するために、平均化操作を多方向方式で利用する。 マルチディレクティブ正規推定プロセスを次のステップで再構成し、効率的に実施する。 最後に, 深度不連続度における誤った正規推定を除去するために, 単純で効果的な手法を提案する。 提案手法はよく知られた表面正規推定アルゴリズムと比較される。 その結果,提案アルゴリズムは,精度の面ではベースラインアルゴリズムを上回るだけでなく,リアルタイムアプリケーションに適用できるほど高速であることがわかった。

関連論文リスト

• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• IronDepth: Iterative Refinement of Single-View Depth using Surface Normal and its Uncertainty [24.4764181300196]
  本研究では,表面の正規化と不確実性を利用して予測深度マップを再現する新しいフレームワークを提案する。 提案手法は,NYUv2 と iBims-1 の深度および正規度の両面における最先端性能を示す。
  論文  参考訳（メタデータ） (2022-10-07T16:34:20Z)
• An Improved Frequent Directions Algorithm for Low-Rank Approximation via Block Krylov Iteration [11.62834880315581]
  本稿では,r-BKIFDという高速かつ高精度な周波数方向アルゴリズムを提案する。 提案したr-BKIFDは、元のFrequent Directionsと同等の誤差を持ち、反復回数が適切に選択された場合、近似誤差を任意に小さくすることができる。
  論文  参考訳（メタデータ） (2021-09-24T01:36:42Z)
• Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
  アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
  論文  参考訳（メタデータ） (2021-03-29T10:36:25Z)
• Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
  深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。 本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
  論文  参考訳（メタデータ） (2020-12-07T09:27:16Z)
• Non-Local Spatial Propagation Network for Depth Completion [82.60915972250706]
  本研究では,深度完了のための堅牢で効率的な非局所的空間伝搬ネットワークを提案する。 提案するネットワークは,RGBとスパース深度画像を入力とし,各画素の非局所的近傍とその親和性を推定する。 提案アルゴリズムは,混合深度問題に対する深度補完精度とロバスト性の観点から,従来のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-20T12:26:51Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)
• The estimation error of general first order methods [12.472245917779754]
  我々は,高次元回帰と低次元行列推定という2種類の推定問題を考察する。 我々は、観測数とパラメータ数の両方が分岐する高次元最適値の誤差を下界に導出する。 これらの下界は、推定誤差が下界とわずかに無視可能な項に一致するアルゴリズムが存在することを意味している。
  論文  参考訳（メタデータ） (2020-02-28T18:13:47Z)

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。