論文の概要: A Critical Analysis of Internal Reliability for Uncertainty
Quantification of Dense Image Matching in Multi-view Stereo
- arxiv url: http://arxiv.org/abs/2309.09379v2
- Date: Fri, 13 Oct 2023 14:04:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 17:05:58.051658
- Title: A Critical Analysis of Internal Reliability for Uncertainty
Quantification of Dense Image Matching in Multi-view Stereo
- Title（参考訳）: 多視点ステレオ画像マッチングの不確実性定量化のための内部信頼性の臨界解析
- Authors: Debao Huang, Rongjun Qin
- Abstract要約: フォトグラムで導いた点雲は、多くの民間用途で広く使われている。
ポイント単位の誤差を決定する標準的なエラー基準は存在しない。
この複雑さにもかかわらず、導出した点の後方信頼度を推定する過程に役立ついくつかの一般的な指標が存在する。
- 参考スコア（独自算出の注目度）: 6.080047833147669
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, photogrammetrically derived point clouds are widely used in many
civilian applications due to their low cost and flexibility in acquisition.
Typically, photogrammetric point clouds are assessed through reference data
such as LiDAR point clouds. However, when reference data are not available, the
assessment of photogrammetric point clouds may be challenging. Since these
point clouds are algorithmically derived, their accuracies and precisions are
highly varying with the camera networks, scene complexity, and dense image
matching (DIM) algorithms, and there is no standard error metric to determine
per-point errors. The theory of internal reliability of camera networks has
been well studied through first-order error estimation of Bundle Adjustment
(BA), which is used to understand the errors of 3D points assuming known
measurement errors. However, the measurement errors of the DIM algorithms are
intricate to an extent that every single point may have its error function
determined by factors such as pixel intensity, texture entropy, and surface
smoothness. Despite the complexity, there exist a few common metrics that may
aid the process of estimating the posterior reliability of the derived points,
especially in a multi-view stereo (MVS) setup when redundancies are present. In
this paper, by using an aerial oblique photogrammetric block with LiDAR
reference data, we analyze several internal matching metrics within a common
MVS framework, including statistics in ray convergence, intersection angles,
DIM energy, etc.
- Abstract（参考訳）: 今日では、フォトグラムから派生した点雲は、低コストと買収の柔軟性のため、多くの民間アプリケーションで広く使われている。
通常、測光点雲はライダー点雲のような参照データによって評価される。
しかし、参照データが入手できない場合、測光点雲の評価は困難である。
これらの点雲はアルゴリズム的に導出されるため、カメラネットワーク、シーン複雑性、高密度画像マッチング(dim)アルゴリズムによって精度や精度が著しく変化し、点当たり誤差を決定する標準誤差メートル法は存在しない。
カメラネットワークの内部信頼性の理論は、既知の測定誤差を仮定した3D点の誤差を理解するために用いられるバンドル調整(BA)の1次誤差推定によってよく研究されている。
しかし、DIMアルゴリズムの測定誤差は、各点が画素強度、テクスチャエントロピー、表面の滑らかさなどの要因によって決定される誤差関数を持つ程度に複雑である。
この複雑さにもかかわらず、導出点の後方信頼度を推定する過程、特に冗長性が存在する場合のマルチビューステレオ(MVS)設定において、いくつかの一般的な指標が存在する。
本稿では,LiDAR参照データを用いた空中斜めフォトグラムブロックを用いて,放射光収束,交叉角,DIMエネルギーなどの統計情報を含む,共通MVSフレームワーク内のいくつかの内部マッチングメトリクスを解析する。
関連論文リスト
- Metric3Dv2: A Versatile Monocular Geometric Foundation Model for Zero-shot Metric Depth and Surface Normal Estimation [74.28509379811084]
Metric3D v2は、ゼロショット距離深さと1枚の画像からの表面正規推定のための幾何学的基礎モデルである。
距離深度推定と表面正規度推定の両方の解を提案する。
本手法は, ランダムに収集したインターネット画像上での計測3次元構造の正確な復元を可能にする。
論文 参考訳（メタデータ） (2024-03-22T02:30:46Z) - Inertial Guided Uncertainty Estimation of Feature Correspondence in
Visual-Inertial Odometry/SLAM [8.136426395547893]
慣性ガイダンスを用いて特徴対応の不確かさを推定する手法を提案する。
また,近年の視覚-慣性オドメトリー/SLAMアルゴリズムの1つに組み込むことにより,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-11-07T04:56:29Z) - Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local
Geometry-driven Distance Metric [62.365983810610985]
そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。
CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。
一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
論文 参考訳（メタデータ） (2023-06-01T11:16:20Z) - Towards Better Gradient Consistency for Neural Signed Distance Functions
via Level Set Alignment [50.892158511845466]
レベルセットの並列性によって示される場の勾配一貫性が、推論精度に影響を及ぼす重要な要因であることを示す。
そこで本研究では,次数集合の並列性を評価するためのレベルセットアライメント損失を提案する。
論文 参考訳（メタデータ） (2023-05-19T11:28:05Z) - Differentiable Uncalibrated Imaging [25.67247660827913]
本稿では,センサ位置や投影角などの測定座標の不確実性に対処する,識別可能なイメージングフレームワークを提案する。
入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用する。
測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
論文 参考訳（メタデータ） (2022-11-18T22:48:09Z) - DevNet: Self-supervised Monocular Depth Learning via Density Volume
Construction [51.96971077984869]
単眼画像からの自己教師付き深度学習は、通常、時間的に隣接する画像フレーム間の2Dピクセル単位の光度関係に依存する。
本研究は, 自己教師型単眼深度学習フレームワークであるDevNetを提案する。
論文 参考訳（メタデータ） (2022-09-14T00:08:44Z) - Object Disparity [0.0]
本稿では,高密度画素差を直接検出して3次元物体距離検出を行う方法を提案する。
圧縮ネットオブジェクト分散-SSDの例は、Kittiデータセットの分散基底真理と比較した場合の精度で、効率的なオブジェクト分散検出を示すために構築された。
論文 参考訳（メタデータ） (2021-08-18T02:11:28Z) - Stein ICP for Uncertainty Estimation in Point Cloud Matching [41.22194677919566]
点雲マッチングにおける不確実性の定量化は、ポーズ推定、センサー融合、把握といった多くのタスクにおいて重要である。
反復最近点 (ICP) は、2つの点雲間の変換の点推定を提供する、一般的に使用されるポーズ推定アルゴリズムである。
我々は,ICPの変換パラメータの不確かさを正確に推定できる2点雲を整列する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-07T01:07:34Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z)
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。