論文の概要: Differentiable Uncalibrated Imaging
- arxiv url: http://arxiv.org/abs/2211.10525v1
- Date: Fri, 18 Nov 2022 22:48:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:57:33.864146
- Title: Differentiable Uncalibrated Imaging
- Title(参考訳): 微分未校正画像
- Authors: Sidharth Gupta, Konik Kothari, Valentin Debarnot, Ivan Dokmani\'c
- Abstract要約: 本稿では,センサ位置や投影角などの測定座標の不確実性に対処する,識別可能なイメージングフレームワークを提案する。
入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用する。
測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
- 参考スコア(独自算出の注目度): 26.91260975309266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a differentiable imaging framework to address uncertainty in
measurement coordinates such as sensor locations and projection angles. We
formulate the problem as measurement interpolation at unknown nodes supervised
through the forward operator. To solve it we apply implicit neural networks,
also known as neural fields, which are naturally differentiable with respect to
the input coordinates. We also develop differentiable spline interpolators
which perform as well as neural networks, require less time to optimize and
have well-understood properties. Differentiability is key as it allows us to
jointly fit a measurement representation, optimize over the uncertain
measurement coordinates, and perform image reconstruction which in turn ensures
consistent calibration. We apply our approach to 2D and 3D computed tomography
and show that it produces improved reconstructions compared to baselines that
do not account for the lack of calibration. The flexibility of the proposed
framework makes it easy to apply to almost arbitrary imaging problems.
- Abstract(参考訳): センサの位置や投影角などの測定座標の不確実性に対処するための微分可能なイメージングフレームワークを提案する。
フォワード演算子によって制御される未知ノードにおける計測補間として問題を定式化する。
これを解決するために、入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用します。
また,ニューラルネットワークと同様に動作し,最適化に要する時間が少なく,よく理解されている特性を持つ,微分可能なスプライン補間器を開発した。
測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
本手法を2次元および3次元ctに応用し,キャリブレーションの欠如を考慮しないベースラインと比較して,再現性が向上することを示す。
提案するフレームワークの柔軟性により、ほぼ任意の画像問題に容易に適用できる。
関連論文リスト
- Inertial Guided Uncertainty Estimation of Feature Correspondence in
Visual-Inertial Odometry/SLAM [8.136426395547893]
慣性ガイダンスを用いて特徴対応の不確かさを推定する手法を提案する。
また,近年の視覚-慣性オドメトリー/SLAMアルゴリズムの1つに組み込むことにより,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-11-07T04:56:29Z) - GraphAlign: Enhancing Accurate Feature Alignment by Graph matching for
Multi-Modal 3D Object Detection [7.743525134435137]
LiDARとカメラは、自律運転における3Dオブジェクト検出のための補完センサーである。
グラフマッチングによる3次元物体検出のためのより正確な特徴アライメント戦略であるGraphAlignを提案する。
論文 参考訳(メタデータ) (2023-10-12T12:06:31Z) - Parameterization-driven Neural Implicit Surfaces Editing [37.48581817960415]
神経暗示面を単純なパラメトリック領域にパラメータ化するための新しいニューラルネットワークを提案する。
提案手法は3次元オブジェクトとその選択したパラメトリック領域間の双方向の変形を計算する。
我々はまた、ビュー非依存の材料編集とビュー依存のシェーディング編集の両方を容易にし、内在的放射分解の簡易かつ効果的な手法も導入した。
論文 参考訳(メタデータ) (2023-10-09T08:42:40Z) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳(メタデータ) (2023-09-27T06:32:05Z) - Coordinate Quantized Neural Implicit Representations for Multi-view
Reconstruction [28.910183274743872]
量子化座標を用いたニューラル暗黙表現を導入し、最適化時のフィールドの不確かさとあいまいさを低減する。
我々は離散座標とその位置符号化を用いてボリュームレンダリングを通して暗黙の関数を学習する。
広く使用されているベンチマークによる評価は、最先端技術よりも優位性を示している。
論文 参考訳(メタデータ) (2023-08-21T20:27:33Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳(メタデータ) (2023-08-21T13:03:25Z) - NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D
Human Pose and Shape Estimation [53.25973084799954]
両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。
NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
論文 参考訳(メタデータ) (2023-05-15T12:13:24Z) - Error-Correcting Neural Networks for Two-Dimensional Curvature
Computation in the Level-Set Method [0.0]
本稿では,2次元曲率をレベルセット法で近似するための誤差ニューラルモデルに基づく手法を提案する。
我々の主な貢献は、需要に応じて機械学習操作を可能にする数値スキームに依存する、再設計されたハイブリッド・ソルバである。
論文 参考訳(メタデータ) (2022-01-22T05:14:40Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳(メタデータ) (2021-07-08T15:19:36Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳(メタデータ) (2020-02-21T17:35:50Z)
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。