論文の概要: IronDepth: Iterative Refinement of Single-View Depth using Surface Normal and its Uncertainty

• arxiv url: http://arxiv.org/abs/2210.03676v1
• Date: Fri, 7 Oct 2022 16:34:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 14:27:34.462192
• Title: IronDepth: Iterative Refinement of Single-View Depth using Surface Normal and its Uncertainty
• Title（参考訳）: IronDepth:表面正規化による単一視野深さの反復的リファインメントとその不確かさ
• Authors: Gwangbin Bae, Ignas Budvytis, Roberto Cipolla
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.4764181300196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image surface normal estimation and depth estimation are closely related problems as the former can be calculated from the latter. However, the surface normals computed from the output of depth estimation methods are significantly less accurate than the surface normals directly estimated by networks. To reduce such discrepancy, we introduce a novel framework that uses surface normal and its uncertainty to recurrently refine the predicted depth-map. The depth of each pixel can be propagated to a query pixel, using the predicted surface normal as guidance. We thus formulate depth refinement as a classification of choosing the neighboring pixel to propagate from. Then, by propagating to sub-pixel points, we upsample the refined, low-resolution output. The proposed method shows state-of-the-art performance on NYUv2 and iBims-1 - both in terms of depth and normal. Our refinement module can also be attached to the existing depth estimation methods to improve their accuracy. We also show that our framework, only trained for depth estimation, can also be used for depth completion. The code is available at https://github.com/baegwangbin/IronDepth.
• Abstract（参考訳）: 前者が後者から計算できるため、単像面の正規推定と深さ推定は密接に関連する問題である。 しかし、深度推定手法の出力から計算した表面正規値は、ネットワークによって直接推定される表面正規よりもかなり精度が低い。 このような不一致を低減するために,表面正規化と不確実性を利用して予測深度マップを逐次改善する新しいフレームワークを提案する。 各画素の深さは、予測表面正規をガイダンスとして、クエリピクセルに伝搬することができる。 そこで我々は、隣接する画素を伝播させる分類として深度補正を定式化する。 そして、サブピクセルポイントに伝播することで、洗練された低解像度出力をサンプリングする。 提案手法は,NYUv2 と iBims-1 の深さと正規度の両方の最先端性能を示す。 改良モジュールは既存の深度推定手法にも適用可能であり,精度が向上する。 また,本フレームワークは深度推定のみを訓練し,深度推定にも利用できることを示した。 コードはhttps://github.com/baegwangbin/IronDepth.comで公開されている。

関連論文リスト

• 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)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• P3Depth: Monocular Depth Estimation with a Piecewise Planarity Prior [133.76192155312182]
  本研究では,コプラナー画素からの情報を選択的に活用して予測深度を改善する手法を提案する。 本手法の広範な評価により, 教師付き単分子深度推定法において, 新たな手法の確立が期待できる。
  論文  参考訳（メタデータ） (2022-04-05T10:03:52Z)
• Depth Completion using Plane-Residual Representation [84.63079529738924]
  深度情報を最も近い深度平面ラベル$p$と残値$r$で解釈する新しい方法を紹介し,これをPlane-Residual (PR)表現と呼ぶ。 PR表現で深度情報を解釈し,それに対応する深度補完網を用いて,高速な計算により深度補完性能を向上させることができた。
  論文  参考訳（メタデータ） (2021-04-15T10:17:53Z)
• GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement for Joint Depth and Surface Normal Estimation [204.13451624763735]
  本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。 geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。 画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
  論文  参考訳（メタデータ） (2020-12-13T06:48:01Z)
• Efficient Depth Completion Using Learned Bases [94.0808155168311]
  深度補正のための新しい大域的幾何制約を提案する。 低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
  論文  参考訳（メタデータ） (2020-12-02T11:57:37Z)
• Deep Depth Estimation from Visual-Inertial SLAM [11.814395824799988]
  視覚-慣性同時局在マッピングシステム(VI-SLAM)を用いてスパース深度を計算した症例について検討した。 結果として生じる点雲は密度が低く、ノイズがあり、一様でない空間分布を持つ。 我々は、VI-SLAMから得られる重力推定値を用いて、トレーニングデータセットで一般的な向きに入力画像をワープする。
  論文  参考訳（メタデータ） (2020-07-31T21:28:25Z)
• Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
  カラービデオから多フレーム深度を推定する新しい学習手法を提案する。 本手法は深度推定精度において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2020-04-02T07:10:45Z)
• Predicting Sharp and Accurate Occlusion Boundaries in Monocular Depth Estimation Using Displacement Fields [25.3479048674598]
  単眼画像からの深度マップ予測の現在の手法は、滑らかで、局所的でない輪郭を予測しがちである。 我々は,何らかの再構成法により予測される深度マップから,閉塞境界付近の画素をよりシャープな再構成に再サンプリングできる2次元変位場を予測することを学ぶ。 本手法は, エンド・ツー・エンドのトレーニング可能な方法で, 任意の深さ推定手法の出力に適用できる。
  論文  参考訳（メタデータ） (2020-02-28T14:15:07Z)

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。