論文の概要: Iterative Geometry Encoding Volume for Stereo Matching

• arxiv url: http://arxiv.org/abs/2303.06615v2
• Date: Tue, 14 Mar 2023 08:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 11:19:21.709627
• Title: Iterative Geometry Encoding Volume for Stereo Matching
• Title（参考訳）: ステレオマッチングのための反復幾何符号化ボリューム
• Authors: Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang
• Abstract要約: IGEV-Stereoは、ジオメトリとコンテキスト情報をエンコードするボリュームと、局所的なマッチングの詳細を組み合わせたジオメトリを構築する。 IGEV-Stereoは、KITTI 2015と2012(Reflective)で1位であり、トップ10のメソッドの中では最速です。 IGEVをマルチビューステレオ(MVS)に拡張して,DTUベンチマーク上での競合精度を実現する。
• 参考スコア（独自算出の注目度）: 4.610675756857714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recurrent All-Pairs Field Transforms (RAFT) has shown great potentials in matching tasks. However, all-pairs correlations lack non-local geometry knowledge and have difficulties tackling local ambiguities in ill-posed regions. In this paper, we propose Iterative Geometry Encoding Volume (IGEV-Stereo), a new deep network architecture for stereo matching. The proposed IGEV-Stereo builds a combined geometry encoding volume that encodes geometry and context information as well as local matching details, and iteratively indexes it to update the disparity map. To speed up the convergence, we exploit GEV to regress an accurate starting point for ConvGRUs iterations. Our IGEV-Stereo ranks $1^{st}$ on KITTI 2015 and 2012 (Reflective) among all published methods and is the fastest among the top 10 methods. In addition, IGEV-Stereo has strong cross-dataset generalization as well as high inference efficiency. We also extend our IGEV to multi-view stereo (MVS), i.e. IGEV-MVS, which achieves competitive accuracy on DTU benchmark. Code is available at https://github.com/gangweiX/IGEV.
• Abstract（参考訳）: Recurrent All-Pairs Field Transforms (RAFT) は、マッチングタスクに大きな可能性を示している。 しかしながら、全ペア相関は非局所幾何学的知識を欠き、不適切な領域における局所曖昧性に取り組むのに苦労している。 本稿では,ステレオマッチングのための新しいディープネットワークアーキテクチャである反復幾何符号化ボリューム(igev-stereo)を提案する。 提案する igev-stereo は、ジオメトリとコンテキスト情報と局所マッチングの詳細をエンコードする複合幾何符号化ボリュームを構築し、それを反復インデックス化して不一致マップを更新する。 収束を高速化するため、我々はGEVを利用して、ConvGRUsイテレーションの正確な開始点を回帰する。 われわれのigev-stereoは、2015年と2012年(反射的)のkittiで$1^{st}$をランク付けし、トップ10のメソッドの中で最速である。 さらにIGEV-Stereoは強力なクロスデータセットの一般化と高い推論効率を持つ。 また、IGEVをマルチビューステレオ(MVS)、すなわちIGEV-MVSに拡張し、DTUベンチマーク上で競合精度を達成する。 コードはhttps://github.com/gangweiX/IGEVで入手できる。

関連論文リスト

• CGI-Stereo: Accurate and Real-Time Stereo Matching via Context and Geometry Interaction [8.484952030063114]
  CGI-Stereoは、リアルタイムパフォーマンス、最先端の精度、強力な一般化能力の同時実行が可能な、新しいニューラルネットワークアーキテクチャである。 CGI-Stereoの中核はContext and Geometry Fusionブロックであり、コンテキストと幾何学情報を適応的に融合する。 提案したCGFは、既存の多くのステレオマッチングネットワークに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2023-01-07T06:28:04Z)
• Accurate and Efficient Stereo Matching via Attention Concatenation Volume [49.3788819492248]
  本稿では,注意結合ボリューム(ACV)という新しいコストボリューム構築手法を提案する。 ACVは相関手がかりから注目重みを生成し、余分な情報を抑制し、連結ボリュームにおけるマッチング関連情報を強化する。 ACVの高速バージョンであるFast-ACVを設計し、高い確率差の仮説を生成する。
  論文  参考訳（メタデータ） (2022-09-23T08:14:30Z)
• VoGE: A Differentiable Volume Renderer using Gaussian Ellipsoids for Analysis-by-Synthesis [82.99951440043759]
  微分勾配はコンピュータグラフィックスの視覚タスクへの応用を可能にする。 音量密度で最寄りの成分を捕捉するためにレイトレーシングを用いるVoGEを提案する。 本稿では,PyTorch3Dと競合するレンダリング速度を提供するVoGEの実装について述べる。
  論文  参考訳（メタデータ） (2022-05-30T19:52:11Z)
• IterMVS: Iterative Probability Estimation for Efficient Multi-View Stereo [71.84742490020611]
  IterMVSは高解像度マルチビューステレオのための新しいデータ駆動方式である。 隠れ状態の深さの画素単位の確率分布を符号化するGRUに基づく新しい推定器を提案する。 DTU, タンク&テンプル, ETH3Dにおける本手法の有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2021-12-09T18:58:02Z)
• AdaStereo: An Efficient Domain-Adaptive Stereo Matching Approach [50.855679274530615]
  本稿では,AdaStereoというドメイン適応型アプローチを提案する。 我々のモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のベンチマークで最先端のクロスドメイン性能を実現している。 提案手法は,様々なドメイン適応設定に対して堅牢であり,迅速な適応アプリケーションシナリオや実環境展開に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2021-12-09T15:10:47Z)
• SCV-Stereo: Learning Stereo Matching from a Sparse Cost Volume [14.801038005597855]
  畳み込みニューラルネットワーク(CNN)に基づくステレオマッチングアプローチは、一般に、不均一性推定のために高密度なコストボリューム(DCV)を必要とする。 そこで我々は,SCV-Stereoを提案する。SCV-Stereoは,疎コストボリューム表現から高密度ステレオマッチングを学習できる新しいCNNアーキテクチャである。 我々のインスピレーションは、DCV表現がやや冗長であり、SCV表現に置き換えられるという事実から導かれる。
  論文  参考訳（メタデータ） (2021-07-17T05:45:44Z)
• PVStereo: Pyramid Voting Module for End-to-End Self-Supervised Stereo Matching [14.603116313499648]
  本稿では,ピラミッド投票モジュール(PVM)と,OptStereoと呼ばれる新しいDCNNアーキテクチャからなる,堅牢で効果的な自己監督型ステレオマッチング手法を提案する。 具体的には、OptStereoは最初にマルチスケールのコストボリュームを構築し、その後、繰り返し単位を採用し、高分解能で不一致推定を反復的に更新します。 hkust-driveデータセット(大規模な合成ステレオデータセット)を、異なる照明条件と気象条件下で研究目的で収集した。
  論文  参考訳（メタデータ） (2021-03-12T05:27:14Z)
• Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
  1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
  論文  参考訳（メタデータ） (2020-07-21T14:59:59Z)
• MTStereo 2.0: improved accuracy of stereo depth estimation withMax-trees [8.54329116256365]
  MTStereo 2.0 と呼ばれるステレオマッチング手法を提案する。 これは画像対のマックスツリー階層的表現に基づいており、画像スキャン線に沿ったマッチング領域を特定するために使用される。 提案手法は,KITTI 2015, Driving, FlyingThings3D, Middlebury 2014, Monkaa, TrimBot 2020など,いくつかのベンチマークデータセットで検証し, 競争精度と効率性を実現した。
  論文  参考訳（メタデータ） (2020-06-27T14:33:04Z)
• AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching [50.06646151004375]
  AdaStereoと呼ばれる新しいドメイン適応パイプラインは、ディープステレオマッチングネットワークにマルチレベル表現をアライメントすることを目的としている。 我々のAdaStereoモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のステレオベンチマークで最先端のクロスドメインパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-04-09T16:15:13Z)

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。