論文の概要: D2NT: A High-Performing Depth-to-Normal Translator
- arxiv url: http://arxiv.org/abs/2304.12031v1
- Date: Mon, 24 Apr 2023 12:08:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 15:03:01.751970
- Title: D2NT: A High-Performing Depth-to-Normal Translator
- Title(参考訳): D2NT:高性能深度-Normalトランスレータ
- Authors: Yi Feng, Bohuan Xue, Ming Liu, Qijun Chen, Rui Fan
- Abstract要約: 本稿では,3次元座標を計算せずに深度画像を表面正規写像に変換する超高速深度-正規変換器(D2NT)を提案する。
次に、不連続認識勾配フィルタ(DAG)と、任意の深さから正規SNEに容易に統合できる表面正規化モジュールを提案する。
提案アルゴリズムは,既存の実時間SNEの中で最高の精度を示し,効率と精度のSoTAトレードオフを実現する。
- 参考スコア(独自算出の注目度): 14.936434857460622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface normal holds significant importance in visual environmental
perception, serving as a source of rich geometric information. However, the
state-of-the-art (SoTA) surface normal estimators (SNEs) generally suffer from
an unsatisfactory trade-off between efficiency and accuracy. To resolve this
dilemma, this paper first presents a superfast depth-to-normal translator
(D2NT), which can directly translate depth images into surface normal maps
without calculating 3D coordinates. We then propose a discontinuity-aware
gradient (DAG) filter, which adaptively generates gradient convolution kernels
to improve depth gradient estimation. Finally, we propose a surface normal
refinement module that can easily be integrated into any depth-to-normal SNEs,
substantially improving the surface normal estimation accuracy. Our proposed
algorithm demonstrates the best accuracy among all other existing real-time
SNEs and achieves the SoTA trade-off between efficiency and accuracy.
- Abstract(参考訳): 表面正常は視覚環境知覚において重要な意味を持ち、リッチな幾何学的情報の源となっている。
しかし、最先端(SoTA)表面の正規推定器(SNE)は、効率と精度の間に不満足なトレードオフがある。
このジレンマを解決するために、まず3次元座標を計算せずに深度画像を表面正規写像に変換する超高速深度-正規変換器(D2NT)を提案する。
次に,勾配畳み込み核を適応的に生成し,深さ勾配推定を改善するdagフィルタを提案する。
最後に,任意の深度〜正規SNEに容易に統合できる表面正規化モジュールを提案し,表面正規化精度を大幅に向上させる。
提案アルゴリズムは,既存の実時間SNEの中で最高の精度を示し,効率と精度のトレードオフを実現する。
関連論文リスト
- NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳(メタデータ) (2023-11-01T09:25:29Z) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳(メタデータ) (2023-09-17T08:35:11Z) - SHS-Net: Learning Signed Hyper Surfaces for Oriented Normal Estimation
of Point Clouds [54.89855828917265]
我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。
我々のSHS-Netは、広く使用されているベンチマークにおいて、非オブジェクト指向とオブジェクト指向の正規推定の両方において最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-05-10T03:40:25Z) - Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud
Normal Estimation [39.79759035338819]
推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。
この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
論文 参考訳(メタデータ) (2023-03-30T05:59:43Z) - IronDepth: Iterative Refinement of Single-View Depth using Surface
Normal and its Uncertainty [24.4764181300196]
本研究では,表面の正規化と不確実性を利用して予測深度マップを再現する新しいフレームワークを提案する。
提案手法は,NYUv2 と iBims-1 の深度および正規度の両面における最先端性能を示す。
論文 参考訳(メタデータ) (2022-10-07T16:34:20Z) - PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View
Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。
提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
論文 参考訳(メタデータ) (2021-03-12T15:54:46Z) - Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust
Depth Prediction [87.08227378010874]
深度予測における高次3次元幾何学的制約の重要性を示す。
単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。
The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
論文 参考訳(メタデータ) (2021-03-07T00:08:21Z) - GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement
for Joint Depth and Surface Normal Estimation [204.13451624763735]
本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。
geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。
画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
論文 参考訳(メタデータ) (2020-12-13T06:48:01Z)
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。