論文の概要: Selective-Stereo: Adaptive Frequency Information Selection for Stereo Matching

• arxiv url: http://arxiv.org/abs/2403.00486v1
• Date: Fri, 1 Mar 2024 12:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 17:27:26.196053
• Title: Selective-Stereo: Adaptive Frequency Information Selection for Stereo Matching
• Title（参考訳）: ステレオマッチングのための適応的周波数情報選択
• Authors: Xianqi Wang, Gangwei Xu, Hao Jia, Xin Yang
• Abstract要約: SRU(Selective Recurrent Unit)は、ステレオマッチングのための新しい反復更新演算子である。 SRUは、エッジとスムーズな領域の複数の周波数で隠れた不均一情報を適応的に融合する。 KITTI 2012、KITTI 2015、ETH3D、およびミドルベリーのリーダーボードで1位にランクインした。
• 参考スコア（独自算出の注目度）: 6.6884375493905495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereo matching methods based on iterative optimization, like RAFT-Stereo and IGEV-Stereo, have evolved into a cornerstone in the field of stereo matching. However, these methods struggle to simultaneously capture high-frequency information in edges and low-frequency information in smooth regions due to the fixed receptive field. As a result, they tend to lose details, blur edges, and produce false matches in textureless areas. In this paper, we propose Selective Recurrent Unit (SRU), a novel iterative update operator for stereo matching. The SRU module can adaptively fuse hidden disparity information at multiple frequencies for edge and smooth regions. To perform adaptive fusion, we introduce a new Contextual Spatial Attention (CSA) module to generate attention maps as fusion weights. The SRU empowers the network to aggregate hidden disparity information across multiple frequencies, mitigating the risk of vital hidden disparity information loss during iterative processes. To verify SRU's universality, we apply it to representative iterative stereo matching methods, collectively referred to as Selective-Stereo. Our Selective-Stereo ranks $1^{st}$ on KITTI 2012, KITTI 2015, ETH3D, and Middlebury leaderboards among all published methods. Code is available at https://github.com/Windsrain/Selective-Stereo.
• Abstract（参考訳）: RAFT-StereoやIGEV-Stereoのような反復的最適化に基づくステレオマッチング法は、ステレオマッチングの分野における基盤として発展してきた。 しかし,これらの手法では,エッジの高周波情報と平滑な領域の低周波情報を同時に捕捉することが困難である。 その結果、細部をなくし、縁をぼやかし、テクスチャのない地域で偽の一致を生み出す傾向にある。 本稿では,ステレオマッチングのための新しい反復更新演算子である選択リカレントユニット(SRU)を提案する。 SRUモジュールは、エッジとスムーズな領域の複数の周波数で隠された不均一情報を適応的にフューズすることができる。 適応的な融合を実現するために,新しいコンテキスト空間注意(CSA)モジュールを導入し,融合重みとして注目マップを生成する。 SRUは、複数の周波数にわたって隠された不均質情報を集約し、反復処理中に重要な隠された不均質情報損失のリスクを軽減する。 SRUの普遍性を検証するために、Selective-Stereoと呼ばれる反復ステレオマッチング法を代表的に適用する。 我々のSelective-StereoはKITTI 2012、KITTI 2015、ETH3D、およびミドルベリーのリーダーボードに$1^{st}をランク付けしている。 コードはhttps://github.com/Windsrain/Selective-Stereoで入手できる。

関連論文リスト

• RomniStereo: Recurrent Omnidirectional Stereo Matching [6.153793254880079]
  本稿では,全方向ステレオマッチング (RomniStereo) アルゴリズムを提案する。 我々の最良のモデルは、以前のSOTAベースラインよりも平均MAE値が40.7%向上する。 結果の可視化では, 合成例と実例の両方において, 明らかな優位性を示す。
  論文  参考訳（メタデータ） (2024-01-09T04:06:01Z)
• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• Audio classification with Dilated Convolution with Learnable Spacings [10.89964981012741]
  学習可能な間隔による拡張畳み込み(DCLS)は、バックプロパゲーションによるトレーニングを通じてカーネル要素の位置を学習する最近の畳み込み法である。 ここでは、AudioSet分類ベンチマークを用いて、DCLSはオーディオタグ付けにも有用であることを示す。
  論文  参考訳（メタデータ） (2023-09-25T09:09:54Z)
• Leveraging Foundation models for Unsupervised Audio-Visual Segmentation [49.94366155560371]
  AVS (Audio-Visual) は、可聴物体をピクセルレベルの視覚シーンで正確に概説することを目的としている。 既存のAVS手法では、教師付き学習方式でオーディオマスク対の細かいアノテーションを必要とする。 タスク固有のデータアノテーションやモデルトレーニングを必要とせず、教師なしの音声-視覚的セグメンテーションを導入する。
  論文  参考訳（メタデータ） (2023-09-13T05:05:47Z)
• DynamicStereo: Consistent Dynamic Depth from Stereo Videos [91.1804971397608]
  ステレオビデオの相違を推定するためにDynamicStereoを提案する。 ネットワークは、その予測の時間的一貫性を改善するために、隣接するフレームからの情報をプールすることを学ぶ。 スキャンされた環境における人や動物の合成ビデオを含む新しいベンチマークデータセットであるDynamic Replicaも導入した。
  論文  参考訳（メタデータ） (2023-05-03T17:40:49Z)
• AdaStereo: An Efficient Domain-Adaptive Stereo Matching Approach [50.855679274530615]
  本稿では,AdaStereoというドメイン適応型アプローチを提案する。 我々のモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のベンチマークで最先端のクロスドメイン性能を実現している。 提案手法は,様々なドメイン適応設定に対して堅牢であり,迅速な適応アプリケーションシナリオや実環境展開に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2021-12-09T15:10:47Z)
• RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching [60.44903340167672]
  RAFT-Stereoは,光学フローネットワークRAFTをベースとした修正ステレオのための新しい深層アーキテクチャである。 画像間でより効率的に情報を伝達する多レベル畳み込みGRUを導入する。 RAFT-Stereoの修正版は正確なリアルタイム推論を行うことができる。
  論文  参考訳（メタデータ） (2021-09-15T19:27:31Z)
• PVStereo: Pyramid Voting Module for End-to-End Self-Supervised Stereo Matching [14.603116313499648]
  本稿では,ピラミッド投票モジュール(PVM)と,OptStereoと呼ばれる新しいDCNNアーキテクチャからなる,堅牢で効果的な自己監督型ステレオマッチング手法を提案する。 具体的には、OptStereoは最初にマルチスケールのコストボリュームを構築し、その後、繰り返し単位を採用し、高分解能で不一致推定を反復的に更新します。 hkust-driveデータセット(大規模な合成ステレオデータセット)を、異なる照明条件と気象条件下で研究目的で収集した。
  論文  参考訳（メタデータ） (2021-03-12T05:27:14Z)
• AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching [50.06646151004375]
  AdaStereoと呼ばれる新しいドメイン適応パイプラインは、ディープステレオマッチングネットワークにマルチレベル表現をアライメントすることを目的としている。 我々のAdaStereoモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のステレオベンチマークで最先端のクロスドメインパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-04-09T16:15:13Z)

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。