論文の概要: U2RLE: Uncertainty-Guided 2-Stage Room Layout Estimation

• arxiv url: http://arxiv.org/abs/2304.08580v1
• Date: Mon, 17 Apr 2023 19:43:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 16:42:13.072394
• Title: U2RLE: Uncertainty-Guided 2-Stage Room Layout Estimation
• Title（参考訳）: U2RLE:不確実なガイド付き2段階ルームレイアウト推定
• Authors: Pooya Fayyazsanavi, Zhiqiang Wan, Will Hutchcroft, Ivaylo Boyadzhiev, Yuguang Li, Jana Kosecka, Sing Bing Kang
• Abstract要約: U2RLEと呼ばれるレイアウト境界推定のための新しい不確実性誘導手法を提案する。 初期段階は床壁の境界と不確実性の両方を予測し、続いて位置の不確実性の高い境界を洗練させる。 ZInDとStructure3Dデータセットを用いた実験は、U2RLEが現在の最先端よりも改善され、近壁と遠壁の両方をよりよく処理できることを示している。
• 参考スコア（独自算出の注目度）: 10.732318256197246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While the existing deep learning-based room layout estimation techniques demonstrate good overall accuracy, they are less effective for distant floor-wall boundary. To tackle this problem, we propose a novel uncertainty-guided approach for layout boundary estimation introducing new two-stage CNN architecture termed U2RLE. The initial stage predicts both floor-wall boundary and its uncertainty and is followed by the refinement of boundaries with high positional uncertainty using a different, distance-aware loss. Finally, outputs from the two stages are merged to produce the room layout. Experiments using ZInD and Structure3D datasets show that U2RLE improves over current state-of-the-art, being able to handle both near and far walls better. In particular, U2RLE outperforms current state-of-the-art techniques for the most distant walls.
• Abstract（参考訳）: 既存の深層学習に基づく部屋配置推定手法は全体的な精度が良いが, 遠方壁境界では有効ではない。 この問題に対処するため,U2RLEと呼ばれる新しい2段階CNNアーキテクチャを導入し,レイアウト境界推定のための新しい不確実性誘導手法を提案する。 初期段階は床壁境界と不確実性の両方を予測し、その後異なる距離認識損失を用いて高い位置不確実性を持つ境界を洗練する。 最後に、2つのステージからの出力をマージして部屋レイアウトを生成する。 ZInDとStructure3Dデータセットを用いた実験は、U2RLEが現在の最先端よりも改善され、近壁と遠壁の両方をよりよく処理できることを示している。 特にU2RLEは、最も遠い壁の最先端技術よりも優れています。

関連論文リスト

• Dynamic Position Transformation and Boundary Refinement Network for Left Atrial Segmentation [17.09918110723713]
  左心房細動は不整脈(心房細動)の診断において重要な手法である。 LAセグメンテーションの現在のほとんどの方法は、入力データがオブジェクト指向のセンタートリミングによって取得されると厳密に仮定している。 本稿では,これらの問題に対処するための新しい動的位置変換と境界改善ネットワーク(DPBNet)を提案する。
  論文  参考訳（メタデータ） (2024-07-07T22:09:35Z)
• Towards Cross-View-Consistent Self-Supervised Surround Depth Estimation [9.569646683579899]
  連続画像からの自己監督下周深度推定は経済的な代替手段を提供する。 従来のSSSDE法では、画像間で情報を融合する異なるメカニズムが提案されているが、それらのいくつかは、クロスビュー制約を明示的に考慮している。 本稿では,SSSDEのクロスビュー一貫性を高めるために,効率的で一貫したポーズ推定設計と2つの損失関数を提案する。
  論文  参考訳（メタデータ） (2024-07-04T16:29:05Z)
• Visual Prompt Tuning in Null Space for Continual Learning [51.96411454304625]
  既存のプロンプトチューニング手法は、継続学習(CL)における印象的な性能を示す。 本稿では,従来のタスクの特徴に代表される部分空間に直交する方向のプロンプトを調整し,各タスクを学習することを目的とする。 実際には、即時勾配予測を実装するために、実効的なヌル空間に基づく近似解が提案されている。
  論文  参考訳（メタデータ） (2024-06-09T05:57:40Z)
• 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)
• 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)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image Translation [56.44946660061753]
  本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。 MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。 提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-23T19:59:04Z)
• StructDepth: Leveraging the structural regularities for self-supervised indoor depth estimation [7.028319464940422]
  自己教師付き単分子深度推定は、屋外データセットで印象的な性能を達成した。 しかし、その性能はテクスチャが不足しているため、特に屋内環境では劣化する。 屋内のシーンに現れる構造的規則性を活用して、より深いネットワークをトレーニングします。
  論文  参考訳（メタデータ） (2021-08-19T09:26:13Z)
• LED2-Net: Monocular 360 Layout Estimation via Differentiable Depth Rendering [59.63979143021241]
  パノラマの地平線上での深度予測問題として360度レイアウト推定のタスクを定式化する。 レイアウトから深度予測への変換を区別できるように、差分可能な深度レンダリング手順を提案します。 提案手法は,360 レイアウトのベンチマークデータセットで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） (2021-04-01T15:48:41Z)
• GeoLayout: Geometry Driven Room Layout Estimation Based on Depth Maps of Planes [18.900646770506256]
  レイアウト推定のための深層学習に幾何学的推論を取り入れることを提案する。 提案手法では,画素レベルの表面パラメータを推定することにより,シーン内の支配面の深さマップを推測する。 支配平面の画素レベル深度アノテーションを用いた新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2020-08-14T10:34:24Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。