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) - MonoProb: Self-Supervised Monocular Depth Estimation with Interpretable
Uncertainty [4.260312058817663]
自己監督型単眼深度推定法は, 環境分析における自律走行車などの重要な応用に利用されることを目的としている。
解釈不能な不確実性を返す新しい教師なし単分子深度推定法であるMonoProbを提案する。
実験では,標準深度と不確実性の測定値について,本手法により達成された改善点を強調した。
論文 参考訳(メタデータ) (2023-11-10T15:55:14Z) - The RoboDepth Challenge: Methods and Advancements Towards Robust Depth
Estimation [91.60650535480613]
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) - Fully Self-Supervised Depth Estimation from Defocus Clue [79.63579768496159]
スパース焦点スタックから深度を純粋に推定する自己教師型フレームワークを提案する。
筆者らのフレームワークは,深度とAIF画像の接地構造の必要性を回避し,より優れた予測を得られることを示す。
論文 参考訳(メタデータ) (2023-03-19T19:59:48Z) - SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for
Dynamic Scenes [58.89295356901823]
自己監督型単眼深度推定は静的な場面で顕著な結果を示した。
トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。
単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。
我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
論文 参考訳(メタデータ) (2022-11-07T16:17:47Z) - Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。
擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。
実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-09-27T13:26:16Z) - 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。