論文の概要: Measured Albedo in the Wild: Filling the Gap in Intrinsics Evaluation

• arxiv url: http://arxiv.org/abs/2306.15662v2
• Date: Thu, 29 Jun 2023 17:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 10:10:34.136070
• Title: Measured Albedo in the Wild: Filling the Gap in Intrinsics Evaluation
• Title（参考訳）: 野生における測定されたアルベド:本質的評価におけるギャップを埋める
• Authors: Jiaye Wu, Sanjoy Chowdhury, Hariharmano Shanmugaraja, David Jacobs, and Soumyadip Sengupta
• Abstract要約: 固有画像分解と逆レンダリングは、コンピュータビジョンにおける長年の課題である。 アルベドの回収を評価するため、ほとんどのアルゴリズムは平均的ヒト診断率(W)で定量的な性能を報告している。 We propose three new metrics that complement W: intensity, chromaticity and texture metrics。
• 参考スコア（独自算出の注目度）: 11.237916755616165
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Intrinsic image decomposition and inverse rendering are long-standing problems in computer vision. To evaluate albedo recovery, most algorithms report their quantitative performance with a mean Weighted Human Disagreement Rate (WHDR) metric on the IIW dataset. However, WHDR focuses only on relative albedo values and often fails to capture overall quality of the albedo. In order to comprehensively evaluate albedo, we collect a new dataset, Measured Albedo in the Wild (MAW), and propose three new metrics that complement WHDR: intensity, chromaticity and texture metrics. We show that existing algorithms often improve WHDR metric but perform poorly on other metrics. We then finetune different algorithms on our MAW dataset to significantly improve the quality of the reconstructed albedo both quantitatively and qualitatively. Since the proposed intensity, chromaticity, and texture metrics and the WHDR are all complementary we further introduce a relative performance measure that captures average performance. By analysing existing algorithms we show that there is significant room for improvement. Our dataset and evaluation metrics will enable researchers to develop algorithms that improve albedo reconstruction. Code and Data available at: https://measuredalbedo.github.io/
• Abstract（参考訳）: 固有画像分解と逆レンダリングは、コンピュータビジョンにおける長年の問題である。 アルベドの回収を評価するため、ほとんどのアルゴリズムはIIWデータセットの平均重み付き人体識別率(WHDR)測定値を用いて定量的な性能を報告している。 しかしながら、WHDRは比較的アルベド値にのみ焦点を合わせており、アルベドの全体的な品質を捉えることができないことが多い。 アルベドを包括的に評価するために、新しいデータセットである「MAW」を収集し、WHDRを補完する3つの新しい指標(強度、色度、テクスチャメトリクス)を提案する。 既存のアルゴリズムは、しばしばWHDRメトリックを改善するが、他のメトリクスでは性能が良くないことを示す。 そして、MAWデータセットに異なるアルゴリズムを微調整し、再構成されたアルベドの品質を定量的かつ質的に向上させる。 提案する強度,色度,テクスチャの測定値とWHDRは相補的であるため,平均性能を捉える相対的性能尺度も導入する。 既存のアルゴリズムを分析することで、改善の余地があることが分かる。 我々のデータセットと評価指標により、研究者はアルベド再構築を改善するアルゴリズムを開発できる。 コードとデータは、https://measuredalbedo.github.io/で入手できる。

関連論文リスト

• Beyond Models! Explainable Data Valuation and Metric Adaption for Recommendation [10.964035199849125]
  現在の手法では、高品質なデータと低品質なデータとを区別するためにデータバリュエーションを採用している。 本稿では,任意の要求に合わせたデータ利用効率を向上させるための,説明可能な多用途フレームワークDVRを提案する。 筆者らのフレームワークは,NDCGの代表的な指標として,既存の手法よりも最大34.7%改善されている。
  論文  参考訳（メタデータ） (2025-02-12T12:01:08Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Imitating from auxiliary imperfect demonstrations via Adversarial Density Weighted Regression [27.08369731750032]
  本稿では,適応密度回帰(Adversarial Density Regression)と呼ばれる,一段階の教師付き模倣学習フレームワークを提案する。 実演を生かして、専門家の分布に合わせるために、未知の品質で学んだポリシーを正すことを目的としている。 AdroitドメインとKitchenドメインのタスクの真理的な報酬を利用する場合、IQLよりも89.5%改善されている。
  論文  参考訳（メタデータ） (2024-05-28T06:59:16Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• Mind the Backbone: Minimizing Backbone Distortion for Robust Object Detection [52.355018626115346]
  ドメインシフトに対して堅牢なオブジェクト検出器を構築することは、現実世界のアプリケーションにとって重要なことです。 我々は,ゆがみを特徴付けるバックボーンの脆弱性を測定する手段として,相対勾配ノルム(Relative Gradient Norm)を提案する。 両バックボーンのOOD堅牢性を高めるためのレシピを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:50:43Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• Effective Evaluation of Deep Active Learning on Image Classification Tasks [10.27095298129151]
  画像分類の文脈において,最先端の能動学習アルゴリズムを統一的に実装する。 正の面では、AL手法はデータ拡張によるRSに比べてラベル効率が2倍から4倍高いことを示す。
  論文  参考訳（メタデータ） (2021-06-16T23:29:39Z)
• Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
  本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-04-19T20:43:29Z)

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。