論文の概要: EC-Depth: Exploring the consistency of self-supervised monocular depth estimation under challenging scenes

• arxiv url: http://arxiv.org/abs/2310.08044v1
• Date: Thu, 12 Oct 2023 05:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 12:51:53.187269
• Title: EC-Depth: Exploring the consistency of self-supervised monocular depth estimation under challenging scenes
• Title（参考訳）: EC-Depth:挑戦場面における自己教師付き単眼深度推定の整合性を探る
• Authors: Ruijie Zhu, Ziyang Song, Chuxin Wang, Jianfeng He, Tianzhu Zhang
• Abstract要約: EC-Depthは、堅牢な深さ推定を実現するための、新しい自己教師型2段階トレーニングフレームワークである。 我々のモデルは、標準シナリオと挑戦シナリオの両方において正確で一貫した深度予測を実現する。 提案手法は, KITTI, KITTI-C および DrivingStereo ベンチマークにおける既存の最先端手法を超越した手法である。
• 参考スコア（独自算出の注目度）: 39.853870388888986
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised monocular depth estimation holds significant importance in the fields of autonomous driving and robotics. However, existing methods are typically designed to train and test on clear and pristine datasets, overlooking the impact of various adverse conditions prevalent in real-world scenarios. As a result, it is commonly observed that most self-supervised monocular depth estimation methods struggle to perform adequately under challenging conditions. To address this issue, we present EC-Depth, a novel self-supervised two-stage training framework to achieve a robust depth estimation, starting from the foundation of depth prediction consistency under different perturbations. Leveraging the proposed perturbation-invariant depth consistency constraint module and the consistency-based pseudo-label selection module, our model attains accurate and consistent depth predictions in both standard and challenging scenarios. Extensive experiments substantiate the effectiveness of the proposed method. Moreover, our method surpasses existing state-of-the-art methods on KITTI, KITTI-C and DrivingStereo benchmarks, demonstrating its potential for enhancing the reliability of self-supervised monocular depth estimation models in real-world applications.
• Abstract（参考訳）: 自己教師付き単眼深度推定は、自動運転とロボティクスの分野で重要な意味を持っている。 しかし、既存の手法は通常、クリアで原始的なデータセットを訓練し、テストするために設計され、現実世界のシナリオで一般的な様々な悪条件の影響を見渡している。 その結果, 自己教師付き単眼深度推定手法の多くは, 困難条件下において十分な処理が困難であることがわかった。 この問題に対処するため,異なる摂動下での深度予測整合性の基礎から,頑健な深度推定を実現するための新しい2段階学習フレームワークEC-Depthを提案する。 提案した摂動不変深度制約モジュールと, 整合性に基づく擬似ラベル選択モジュールを利用して, 標準シナリオと挑戦シナリオの両方で精度よく一貫した深度予測を行う。 広範な実験により,提案手法の有効性が検証された。 さらに,本手法は,KITTI,KITTI-C,DrivingStereoベンチマークの既存手法を超越し,実世界のアプリケーションにおける自己監督型分子深度推定モデルの信頼性を高める可能性を示した。

関連論文リスト

• 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)
• Modeling the Uncertainty with Maximum Discrepant Students for Semi-supervised 2D Pose Estimation [57.17120203327993]
  半教師付きポーズ推定タスクにおける擬似ラベルの品質を推定する枠組みを提案する。 提案手法は,3つのデータセットに対する半教師付きポーズ推定の性能を向上させる。
  論文  参考訳（メタデータ） (2023-11-03T08:11:06Z)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  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。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• The RoboDepth Challenge: Methods and Advancements Towards Robust Depth Estimation [97.63185634482552]
  我々は,RoboDepth Challengeの優勝ソリューションを要約する。 この課題は、堅牢なOoD深度推定を容易にし、前進させるように設計された。 この課題が、堅牢で信頼性の高い深度推定に関する将来の研究の基盤となることを願っている。
  論文  参考訳（メタデータ） (2023-07-27T17:59:56Z)
• MaskingDepth: Masked Consistency Regularization for Semi-supervised Monocular Depth Estimation [38.09399326203952]
  MaskingDepthは単眼深度推定のための新しい半教師付き学習フレームワークである。 強く拡張された未ラベルデータと、弱い拡張された未ラベルデータから派生した擬似ラベルとの間の一貫性を強制する。
  論文  参考訳（メタデータ） (2022-12-21T06:56:22Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• On the uncertainty of self-supervised monocular depth estimation [52.13311094743952]
  単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。 我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。 自己教師型アプローチに特化して設計された,斬新な手法を提案する。
  論文  参考訳（メタデータ） (2020-05-13T09:00:55Z)
• Self-supervised Monocular Trained Depth Estimation using Self-attention and Discrete Disparity Volume [19.785343302320918]
  本研究では,1)自己注意,2)離散的不一致予測という,自己教師付き単分子学習深度推定を改善するための2つの新しいアイデアを提案する。 これらの2つのアイデアにより、最先端の自己教師型単分子深度推定器 Monodepth2 の拡張により、KITTI 2015 と Make3D の分野で最高の結果を生み出すモデルを設計できることを示す。
  論文  参考訳（メタデータ） (2020-03-31T04:48:16Z)

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。