論文の概要: Self-Supervised Monocular Depth Underwater
- arxiv url: http://arxiv.org/abs/2210.03206v1
- Date: Thu, 6 Oct 2022 20:57:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 14:55:02.852861
- Title: Self-Supervised Monocular Depth Underwater
- Title(参考訳): 自己監督型単分子深度水中
- Authors: Shlomi Amitai, Itzik Klein, Tali Treibitz
- Abstract要約: 近年,単眼画像からの深度推定は大幅に改善されている。
水中環境下では、媒質による外観の変化により、まだ遅れている。
水中環境に対処するための自己監督型フレームワークにいくつかの追加を提案する。
- 参考スコア(独自算出の注目度): 8.830479021890575
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Depth estimation is critical for any robotic system. In the past years
estimation of depth from monocular images have shown great improvement,
however, in the underwater environment results are still lagging behind due to
appearance changes caused by the medium. So far little effort has been invested
on overcoming this. Moreover, underwater, there are more limitations for using
high resolution depth sensors, this makes generating ground truth for learning
methods another enormous obstacle. So far unsupervised methods that tried to
solve this have achieved very limited success as they relied on domain transfer
from dataset in air. We suggest training using subsequent frames
self-supervised by a reprojection loss, as was demonstrated successfully above
water. We suggest several additions to the self-supervised framework to cope
with the underwater environment and achieve state-of-the-art results on a
challenging forward-looking underwater dataset.
- Abstract(参考訳): ロボットシステムでは深さ推定が不可欠である。
近年,単眼画像からの奥行き推定は大きな改善が見られたが,水中環境においては,媒体による外観変化により,まだ遅れている。
これまでのところ、これを克服する努力はほとんど払われていない。
さらに、水中では、高解像度深度センサーの使用にはより多くの制限があるため、学習方法に対する基礎的真実がさらに大きな障害となる。
これまでのところ、これを解決しようとする教師なしの手法は、空気中のデータセットからのドメイン転送に依存するため、非常に限定的な成功を収めている。
再投射損失によって自己監視された後続のフレームを用いたトレーニングを提案する。
我々は,水中環境に対処し,難易度の高い水中データセット上での最新結果を達成するために,自己教師付きフレームワークにいくつかの追加を提案する。
関連論文リスト
- Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion [30.122666238416716]
正確な地球深度データを用いて水中画像を生成する新しいパイプラインを提案する。
このアプローチは、水中深度推定のための教師付きモデルのトレーニングを容易にする。
我々は、特別に作成された水中、深度、テキストデータ三重項に基づいて訓練された独自のDepth2Underwater ControlNetを導入する。
論文 参考訳(メタデータ) (2023-12-19T08:56:33Z) - Improving Underwater Visual Tracking With a Large Scale Dataset and
Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。
水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。
本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。
この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文 参考訳(メタデータ) (2023-08-30T07:41:26Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Efficient Large-scale AUV-based Visual Seafloor Mapping [6.7864586321550595]
海底画像と視覚マッピングの最近の進歩を取り入れ,海底のヘクタールの自動3次元再構築を支援するシステムを提案する。
我々のアプローチは,画像の省略や潜水時間制限の有効利用のために,弱い登録領域の検出と再考が困難である。
提案システムは, 実環境下でのロバスト性および実用性を実証し, いくつかの調査巡航において広範囲に検証され, 評価されている。
論文 参考訳(メタデータ) (2023-08-11T14:24:03Z) - Physics-Aware Semi-Supervised Underwater Image Enhancement [12.449917754699692]
物理に基づく水中画像形成モデル(IFM)と深層学習技術(UIE)のどちらも活用する。
本稿では,伝送推定水蒸気 (T-Stream) とアンビエント光推定水蒸気 (A-Stream) を組み合わせた新しい物理対応デュアルストリーム水中画像強調ネットワーク,すなわちPA-UIENetを提案する。
本手法は, 劣化推定およびUIEタスクにおいて, 5つのテストセットにまたがる8つのベースラインよりも, あるいは少なくとも同等に, 性能が向上する。
論文 参考訳(メタデータ) (2023-07-21T10:10:18Z) - Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。
提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文 参考訳(メタデータ) (2022-12-23T03:00:28Z) - Review On Deep Learning Technique For Underwater Object Detection [0.0]
水中構造物の修理と維持、海洋科学は水中物体の検出に大きく依存している。
本稿では,水中物体検出に利用されたデータセットの概要について述べる。
論文 参考訳(メタデータ) (2022-09-21T07:10:44Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳(メタデータ) (2022-07-13T16:40:02Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳(メタデータ) (2021-06-20T16:06:26Z) - Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。
画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。
私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
論文 参考訳(メタデータ) (2021-02-21T05:24:18Z) - Deep Sea Robotic Imaging Simulator [6.2122699483618]
海洋の最大の部分である深海は、現在もほとんど未調査のままである。
深海画像は浅い海域で撮影された画像とは大きく異なり、この地域はコミュニティからはあまり注目されなかった。
本稿では,空気中のテクスチャと深度情報を入力として利用する物理モデルに基づく画像シミュレーションソリューションを提案する。
論文 参考訳(メタデータ) (2020-06-27T16:18:32Z)
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。