論文の概要: Unsupervised Intrinsic Image Decomposition with LiDAR Intensity
- arxiv url: http://arxiv.org/abs/2303.10820v1
- Date: Mon, 20 Mar 2023 01:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 17:09:28.492409
- Title: Unsupervised Intrinsic Image Decomposition with LiDAR Intensity
- Title(参考訳): LiDAR強度を用いた教師なし内在画像分解
- Authors: Shogo Sato, Yasuhiro Yao, Taiga Yoshida, Takuhiro Kaneko, Shingo Ando,
Jun Shimamura
- Abstract要約: 固有画像分解(IID)は、自然な画像をアルベドとシェードに分解するタスクである。
本稿では,LiDAR強度(IID-LI)を用いた教師なし固有画像分解法を提案する。
その結果,従来の教師なし学習法より優れている推定精度が得られた。
- 参考スコア(独自算出の注目度): 15.708803145058138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intrinsic image decomposition (IID) is the task that decomposes a natural
image into albedo and shade. While IID is typically solved through supervised
learning methods, it is not ideal due to the difficulty in observing ground
truth albedo and shade in general scenes. Conversely, unsupervised learning
methods are currently underperforming supervised learning methods since there
are no criteria for solving the ill-posed problems. Recently, light detection
and ranging (LiDAR) is widely used due to its ability to make highly precise
distance measurements. Thus, we have focused on the utilization of LiDAR,
especially LiDAR intensity, to address this issue. In this paper, we propose
unsupervised intrinsic image decomposition with LiDAR intensity (IID-LI). Since
the conventional unsupervised learning methods consist of image-to-image
transformations, simply inputting LiDAR intensity is not an effective approach.
Therefore, we design an intensity consistency loss that computes the error
between LiDAR intensity and gray-scaled albedo to provide a criterion for the
ill-posed problem. In addition, LiDAR intensity is difficult to handle due to
its sparsity and occlusion, hence, a LiDAR intensity densification module is
proposed. We verified the estimating quality using our own dataset, which
include RGB images, LiDAR intensity and human judged annotations. As a result,
we achieved an estimation accuracy that outperforms conventional unsupervised
learning methods.
- Abstract(参考訳): 固有画像分解(IID)は、自然な画像をアルベドとシェードに分解するタスクである。
IIDは典型的には教師付き学習法によって解決されるが、地上の真理アルベドや日陰の観察が難しいため理想的ではない。
逆に,教師なし学習法では,問題解決の基準がないため,教師なし学習法が過小評価されている。
近年,高精度な距離測定が可能となり,光検出・測位(lidar)が広く用いられている。
そこで我々は,この問題に対処するために,LiDAR,特にLiDAR強度の利用に焦点を当てた。
本稿では,LiDAR強度(IID-LI)を用いた教師なし固有画像分解法を提案する。
従来の教師なし学習手法は画像から画像への変換から成り立っているため、LiDARの強度を入力するだけでは効果的ではない。
そこで本研究では,lidar強度とグレースケールアルベドの誤差を計算した強度一貫性損失を設計し,不適切な問題に対する基準を与える。
また,lidar強度は,その分散性や閉塞性から処理が困難であるため,lidar強度密度モジュールが提案されている。
我々は、RGB画像、LiDAR強度、人間の判断アノテーションを含むデータセットを用いて、評価品質を検証した。
その結果,従来の教師なし学習法を上回って推定精度が向上した。
関連論文リスト
- AEROBLADE: Training-Free Detection of Latent Diffusion Images Using
Autoencoder Reconstruction Error [17.381210011805077]
計算コストの低い高解像度画像を生成するための重要なイネーブルは、潜時拡散モデル(LDM)の開発である。
LDMは、高次元画像空間の代わりに、事前訓練されたオートエンコーダ(AE)の低次元潜時空間で復調処理を行う。
本稿では,画像と潜時空間間の画像変換に用いるAEという,LDMの固有成分を利用した新しい検出手法を提案する。
論文 参考訳(メタデータ) (2024-01-31T14:36:49Z) - RobustCalib: Robust Lidar-Camera Extrinsic Calibration with Consistency
Learning [42.90987864456673]
LiDARカメラ外部推定の現在の手法は、オフラインの目標と人間の努力に依存している。
本稿では,外因性キャリブレーション問題に頑健で自動的で単発的な方法で対処する新しい手法を提案する。
我々は,異なるデータセットの総合的な実験を行い,本手法が正確かつ堅牢な性能を実現することを示す。
論文 参考訳(メタデータ) (2023-12-02T09:29:50Z) - Enhanced Low-resolution LiDAR-Camera Calibration Via Depth Interpolation
and Supervised Contrastive Learning [9.385436076194491]
そこで本研究では,雑音に耐性のある特徴を学習するために,深度を適用して点密度を増大させ,コントラスト学習を指導することを提案する。
RELLIS-3D実験により,32チャンネルのLiDAR点雲データに対して平均絶対回転・翻訳誤差0.15cm/0.33°を達成した。
論文 参考訳(メタデータ) (2022-11-08T01:12:08Z) - LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object
Detection [96.63947479020631]
多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。
異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
論文 参考訳(メタデータ) (2022-03-28T17:59:02Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-01-10T03:12:52Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-03-29T09:27:23Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳(メタデータ) (2020-10-19T09:23:39Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳(メタデータ) (2020-08-19T13:06:24Z) - DeepLiDARFlow: A Deep Learning Architecture For Scene Flow Estimation
Using Monocular Camera and Sparse LiDAR [10.303618438296981]
シーンフロー(Scene flow)とは、シーンの動きと幾何学を3Dで再現する手法である。
ほとんどの最先端の手法では、ステレオ画像のペアをフルシーン再構築のための入力として利用する。
DeepLiDARFlowは、複数のスケールで高レベルのRGBとLiDAR機能を融合する、新しいディープラーニングアーキテクチャである。
論文 参考訳(メタデータ) (2020-08-18T19:51:08Z) - Unbiased Risk Estimators Can Mislead: A Case Study of Learning with
Complementary Labels [92.98756432746482]
我々は,補完ラベルを用いた学習という,弱教師付き問題を研究する。
勾配推定の品質はリスク最小化においてより重要であることを示す。
本稿では,ゼロバイアスと分散の低減を両立させる新しい補助的相補的損失(SCL)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-05T04:19:37Z)
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。