論文の概要: Distributed Global Structure-from-Motion with a Deep Front-End

• arxiv url: http://arxiv.org/abs/2311.18801v1
• Date: Thu, 30 Nov 2023 18:47:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 15:09:48.640688
• Title: Distributed Global Structure-from-Motion with a Deep Front-End
• Title（参考訳）: 深部フロントエンドを用いた分散グローバル構造移動
• Authors: Ayush Baid, John Lambert, Travis Driver, Akshay Krishnan, Hayk Stepanyan, and Frank Dellaert
• Abstract要約: 我々は,グローバルSfMがSOTAインクリメンタルSfMアプローチ(COLMAP)と同等に機能するかどうかを検討する。 我々のSfMシステムは、分散計算を活用するためにゼロから設計されており、複数のマシン上で計算を並列化し、大規模なシーンにスケールすることができる。
• 参考スコア（独自算出の注目度）: 11.2064188838227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While initial approaches to Structure-from-Motion (SfM) revolved around both global and incremental methods, most recent applications rely on incremental systems to estimate camera poses due to their superior robustness. Though there has been tremendous progress in SfM `front-ends' powered by deep models learned from data, the state-of-the-art (incremental) SfM pipelines still rely on classical SIFT features, developed in 2004. In this work, we investigate whether leveraging the developments in feature extraction and matching helps global SfM perform on par with the SOTA incremental SfM approach (COLMAP). To do so, we design a modular SfM framework that allows us to easily combine developments in different stages of the SfM pipeline. Our experiments show that while developments in deep-learning based two-view correspondence estimation do translate to improvements in point density for scenes reconstructed with global SfM, none of them outperform SIFT when comparing with incremental SfM results on a range of datasets. Our SfM system is designed from the ground up to leverage distributed computation, enabling us to parallelize computation on multiple machines and scale to large scenes.
• Abstract（参考訳）: SfM(Structure-from-Motion)への最初のアプローチは、グローバルメソッドとインクリメンタルメソッドの両方を中心に展開されたが、近年のアプリケーションでは、より優れたロバスト性のためにカメラのポーズを推定するためにインクリメンタルシステムに依存している。 SfMの「フロントエンド」はデータから学習したディープモデルによって大幅に進歩しているが、SfMパイプラインは2004年に開発された古典的なSIFT機能に依存している。 本研究では,somaインクリメンタルsfmアプローチ (colmap) と同等の機能抽出とマッチングによってグローバルsfmが機能するかどうかを検討する。 そのために、モジュール型のSfMフレームワークを設計し、SfMパイプラインの異なる段階の開発を簡単に組み合わせることができます。 実験の結果, 深層学習に基づく2視点対応推定手法の開発は, グローバルSfMで再構成したシーンの点密度の向上に寄与するが, 一連のデータセットにおける漸進的なSfM結果と比較した場合, SIFTよりも優れていないことがわかった。 私たちのsfmシステムは、分散計算を活用するためにゼロから設計されており、複数のマシンで計算を並列化し、大きなシーンにスケールできます。

関連論文リスト

• EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
  本稿では,新しいパイプラインスケジューラであるEPS-MoEを紹介する。 その結果,既存の並列推論手法に比べて,プリフィルスループットが平均21%向上していることが判明した。
  論文  参考訳（メタデータ） (2024-10-16T05:17:49Z)
• Robust Incremental Structure-from-Motion with Hybrid Features [73.55745864762703]
  本稿では,線とその構造的幾何学的関係を利用した漸進的構造移動システム(SfM)を提案する。 我々のシステムは、SfMの広く使われている点ベースの技術と比較すると、一貫して堅牢で正確である。
  論文  参考訳（メタデータ） (2024-09-29T22:20:32Z)
• Global Structure-from-Motion Revisited [57.30100303979393]
  我々は,グローバルSfMにおける技術状況より優れた新しい汎用システムとして,GLOMAPを提案する。 精度とロバスト性の観点からは、最も広く使われている増分SfMであるCOLMAPよりも高い結果が得られる。 当社のシステムはオープンソース実装として共有しています。
  論文  参考訳（メタデータ） (2024-07-29T17:54:24Z)
• Towards Scale-Aware Full Surround Monodepth with Transformers [46.100897032607335]
  フルサラウンドモノデプス(FSM)法は,複数のカメラビューから同時に学習し,スケール認識深度を予測する。 本研究では,深度推定のためのFSM法のスケール・アウェアネスの向上に焦点をあてる。
  論文  参考訳（メタデータ） (2024-07-15T02:54:46Z)
• AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from Motion [48.835456049755166]
  AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。 当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。 本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
  論文  参考訳（メタデータ） (2023-01-28T09:06:50Z)
• DeepMLE: A Robust Deep Maximum Likelihood Estimator for Two-view Structure from Motion [9.294501649791016]
  動きからの2次元構造(SfM)は3次元再構成と視覚SLAM(vSLAM)の基礎となる。 本稿では,2視点SfM問題を最大最大推定(MLE)として定式化し,DeepMLEと表記されるフレームワークを用いて解いた。 提案手法は,最先端の2ビューSfM手法よりも精度と一般化能力において優れる。
  論文  参考訳（メタデータ） (2022-10-11T15:07:25Z)
• Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
  現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。 我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。 特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
  論文  参考訳（メタデータ） (2022-07-14T01:45:03Z)
• DeMFI: Deep Joint Deblurring and Multi-Frame Interpolation with Flow-Guided Attentive Correlation and Recursive Boosting [50.17500790309477]
  DeMFI-Netは、共同でデブロアリングとマルチフレームのフレームワークである。 低フレームレートのぼやけたビデオを高フレームレートでシャープなビデオに変換する。 多様なデータセットに対して、最先端(SOTA)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-19T00:00:15Z)

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。