論文の概要: Robust Monocular Depth Estimation under Challenging Conditions
- arxiv url: http://arxiv.org/abs/2308.09711v1
- Date: Fri, 18 Aug 2023 17:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 12:08:19.857457
- Title: Robust Monocular Depth Estimation under Challenging Conditions
- Title（参考訳）: 挑戦条件下におけるロバスト単眼深度推定
- Authors: Stefano Gasperini, Nils Morbitzer, HyunJun Jung, Nassir Navab,
Federico Tombari
- Abstract要約: 最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
- 参考スコア（独自算出の注目度）: 81.57697198031975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While state-of-the-art monocular depth estimation approaches achieve
impressive results in ideal settings, they are highly unreliable under
challenging illumination and weather conditions, such as at nighttime or in the
presence of rain. In this paper, we uncover these safety-critical issues and
tackle them with md4all: a simple and effective solution that works reliably
under both adverse and ideal conditions, as well as for different types of
learning supervision. We achieve this by exploiting the efficacy of existing
methods under perfect settings. Therefore, we provide valid training signals
independently of what is in the input. First, we generate a set of complex
samples corresponding to the normal training ones. Then, we train the model by
guiding its self- or full-supervision by feeding the generated samples and
computing the standard losses on the corresponding original images. Doing so
enables a single model to recover information across diverse conditions without
modifications at inference time. Extensive experiments on two challenging
public datasets, namely nuScenes and Oxford RobotCar, demonstrate the
effectiveness of our techniques, outperforming prior works by a large margin in
both standard and challenging conditions. Source code and data are available
at: https://md4all.github.io.
- Abstract（参考訳）: 最先端の単眼深度推定手法は理想的な設定で印象的な結果を得るが、夜間や降雨の有無などの困難な照明や気象条件下では信頼性が低い。
本稿では、これらの安全クリティカルな問題を明らかにし、md4allで対処する: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能し、異なるタイプの学習監督のために機能する。
我々は,既存の手法の有効性を完璧に活用することでこれを実現する。
したがって、入力に含まれるものとは無関係に、有効なトレーニング信号を提供する。
まず、通常のトレーニングに対応する複雑なサンプルセットを生成します。
そして、生成されたサンプルを供給し、対応する原画像の標準損失を計算することで、自己もしくは全スーパービジョンを導くことによってモデルを訓練する。
これにより、単一のモデルが推論時に修正することなく、さまざまな条件で情報を復元することができる。
nuscenesとoxford robotcarという2つの挑戦的な公開データセットに関する広範な実験は、我々のテクニックの有効性を実証し、標準的および挑戦的な条件において、先行研究よりも大きなマージンを誇っている。
ソースコードとデータは、https://md4all.github.ioで入手できる。
関連論文リスト
- Efficient Imitation Learning with Conservative World Models [54.52140201148341]
報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。
純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
論文 参考訳（メタデータ） (2024-05-21T20:53:18Z) - Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。
再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。
MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文 参考訳（メタデータ） (2024-04-23T16:01:33Z) - Stealing Stable Diffusion Prior for Robust Monocular Depth Estimation [33.140210057065644]
本稿では, 単分子深度推定に先立って, ステアリング安定拡散 (SSD) という新しい手法を提案する。
このアプローチは、安定拡散を利用して、挑戦的な条件を模倣した合成画像を生成することにより、この制限に対処する。
このアプローチの有効性は、nuScenesとOxford RobotCarで評価されている。
論文 参考訳（メタデータ） (2024-03-08T05:06:31Z) - Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。
我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。
我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
論文 参考訳（メタデータ） (2023-10-23T14:02:57Z) - WeatherDepth: Curriculum Contrastive Learning for Self-Supervised Depth Estimation under Adverse Weather Conditions [42.99525455786019]
カリキュラムのコントラスト学習による自己教師付き頑健な深度推定モデルであるWeatherDepthを提案する。
提案手法は様々なアーキテクチャに容易に組み込めることが証明され、合成および実際の気象データセット上での最先端(SoTA)性能を示す。
論文 参考訳（メタデータ） (2023-10-09T09:26:27Z) - Towards a robust and reliable deep learning approach for detection of
compact binary mergers in gravitational wave data [0.0]
我々は、段階的に深層学習モデルを開発し、その堅牢性と信頼性の向上に取り組みます。
我々はGAN(Generative Adversarial Network)を含む新しいフレームワークでモデルを再訓練する。
絶対ロバスト性は事実上達成できないが、そのような訓練によって得られるいくつかの根本的な改善を実証する。
論文 参考訳（メタデータ） (2023-06-20T18:00:05Z) - Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。
安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。
また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2023-01-23T13:34:01Z) - An Efficient Domain-Incremental Learning Approach to Drive in All
Weather Conditions [8.436505917796174]
ディープニューラルネットワークは、自律運転のための印象的な視覚知覚性能を実現する。
彼らは、異なる気象条件に適応する際に、以前に学んだ情報を忘れがちである。
DISC -- 統計的補正によるドメインインクリメンタル - 新しいタスクを漸進的に学習できるシンプルなゼロフォゲッティングアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-19T11:39:20Z) - Parameter-free Online Test-time Adaptation [19.279048049267388]
実世界の様々なシナリオにおいて,テスト時間適応手法が事前学習されたモデルにどのような効果をもたらすかを示す。
我々は特に「保守的」なアプローチを提案し、ラプラシアン適応最大推定(LAME)を用いてこの問題に対処する。
提案手法では,既存の手法よりもシナリオの平均精度がはるかに高く,メモリフットプリントもはるかに高速である。
論文 参考訳（メタデータ） (2022-01-15T00:29:16Z) - Self-Damaging Contrastive Learning [92.34124578823977]
ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。
本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。
実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
論文 参考訳（メタデータ） (2021-06-06T00:04:49Z)
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。