論文の概要: DesNet: Decomposed Scale-Consistent Network for Unsupervised Depth Completion

• arxiv url: http://arxiv.org/abs/2211.10994v1
• Date: Sun, 20 Nov 2022 14:56:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 20:23:45.364242
• Title: DesNet: Decomposed Scale-Consistent Network for Unsupervised Depth Completion
• Title（参考訳）: DesNet: 教師なし深度補完のための分解スケール一貫性ネットワーク
• Authors: Zhiqiang Yan and Kun Wang and Xiang Li and Zhenyu Zhang and Jun Li and Jian Yang
• Abstract要約: 教師なし深度補完は、接地トラスアノテーションを使わずにスパースから密集した深度を回復することを目的としている。 本研究では,絶対深度を相対深度予測とグローバルスケール推定に分解するDSCL戦略を提案する。 提案手法は,室内のNYUv2データセット上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 28.91716162403531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised depth completion aims to recover dense depth from the sparse one without using the ground-truth annotation. Although depth measurement obtained from LiDAR is usually sparse, it contains valid and real distance information, i.e., scale-consistent absolute depth values. Meanwhile, scale-agnostic counterparts seek to estimate relative depth and have achieved impressive performance. To leverage both the inherent characteristics, we thus suggest to model scale-consistent depth upon unsupervised scale-agnostic frameworks. Specifically, we propose the decomposed scale-consistent learning (DSCL) strategy, which disintegrates the absolute depth into relative depth prediction and global scale estimation, contributing to individual learning benefits. But unfortunately, most existing unsupervised scale-agnostic frameworks heavily suffer from depth holes due to the extremely sparse depth input and weak supervised signal. To tackle this issue, we introduce the global depth guidance (GDG) module, which attentively propagates dense depth reference into the sparse target via novel dense-to-sparse attention. Extensive experiments show the superiority of our method on outdoor KITTI benchmark, ranking 1st and outperforming the best KBNet more than 12% in RMSE. In addition, our approach achieves state-of-the-art performance on indoor NYUv2 dataset.
• Abstract（参考訳）: 教師なし深度補完は、接地トラスアノテーションを用いることなくスパース深度を回収することを目的としている。 LiDARから得られる深度測定は通常は疎いが、有効かつ実距離情報、すなわちスケール一貫性の絶対深度値を含んでいる。 一方、スケールに依存しない相手は相対的な深さを推定し、優れたパフォーマンスを実現した。 そこで本研究では,これらの特徴を生かして,教師なしのスケール非依存フレームワーク上でのスケール一貫性の深さをモデル化することを提案する。 具体的には、相対深度予測とグローバルスケール推定に絶対深度を分解し、個別の学習効果に寄与する分解スケール一貫性学習(DSCL)戦略を提案する。 しかし、残念なことに、既存の監視されていないスケールに依存しないほとんどのフレームワークは、非常に希少な深度入力と弱い教師付き信号のために、深度穴に悩まされている。 この問題に対処するため,我々はGDGモジュールを導入し,新たに高密度から疎度に注目することで,スパースターゲットへの高密度深度参照を熱心に伝播させる。 大規模な実験により, 屋外KITTIベンチマークにおける提案手法の優位性が示され, RMSEでは12%以上, KBNetよりも優れていた。 さらに,本手法は,屋内NYUv2データセットの最先端性能を実現する。

関連論文リスト

• DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
  ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。 まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。 また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:59:58Z)
• SteeredMarigold: Steering Diffusion Towards Depth Completion of Largely Incomplete Depth Maps [3.399289369740637]
  SteeredMarigold は訓練なし、ゼロショット深度補完法である。 これは、大半不完全深度写像であっても、メートル法的な密度深度を生成する。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2024-09-16T11:52:13Z)
• ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
  本研究では,新しい単分子深度推定法であるScaleDepthを提案する。 提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。 本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
  論文  参考訳（メタデータ） (2024-07-11T05:11:56Z)
• GAM-Depth: Self-Supervised Indoor Depth Estimation Leveraging a Gradient-Aware Mask and Semantic Constraints [12.426365333096264]
  本稿では,勾配認識マスクと意味制約という,2つの新しいコンポーネントをベースとしたGAM-Depthを提案する。 グラデーション対応マスクは、キー領域とテクスチャレス領域の両方の適応的かつ堅牢な監視を可能にする。 室内における自己監督深度推定のセマンティック制約の導入は、物体の境界における深度差を改善する。
  論文  参考訳（メタデータ） (2024-02-22T07:53:34Z)
• Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
  実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。 画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。 局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
  論文  参考訳（メタデータ） (2024-02-14T04:07:44Z)
• Monocular Visual-Inertial Depth Estimation [66.71452943981558]
  単眼深度推定と視覚慣性計測を統合した視覚慣性深度推定パイプラインを提案する。 提案手法は, 疎度度に対する大域的スケールとシフトアライメントを行い, 続いて学習に基づく高密度アライメントを行う。 本研究では,TartanAir と VOID のデータセットを用いて,密集したスケールアライメントによるRMSE の最大30%の削減を観測した。
  論文  参考訳（メタデータ） (2023-03-21T18:47:34Z)
• Learning Occlusion-Aware Coarse-to-Fine Depth Map for Self-supervised Monocular Depth Estimation [11.929584800629673]
  自己教師付き単眼深度推定のためのOcclusion-aware Coarse-to-Fine Depth Mapを学習するための新しいネットワークを提案する。 提案したOCFD-Netは,粗度深度マップの学習に離散深度制約を用いるだけでなく,シーン深度残差の学習にも連続深度制約を用いる。
  論文  参考訳（メタデータ） (2022-03-21T12:43:42Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Balanced Depth Completion between Dense Depth Inference and Sparse Range Measurements via KISS-GP [14.158132769768578]
  密集した正確な深度マップを推定することは、自動運転とロボット工学にとって重要な要件である。 近年のディープラーニングの進歩により、単一の画像から全解像度での深度推定が可能になった。 この驚くべき結果にもかかわらず、多くのディープラーニングベースの単眼深度推定アルゴリズムは、その精度をメーターレベルの推定誤差に保たない。
  論文  参考訳（メタデータ） (2020-08-12T08:07:55Z)

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。