Fugu-MT 論文翻訳(概要): Scale-Invariant Monocular Depth Estimation via SSI Depth

論文の概要: Scale-Invariant Monocular Depth Estimation via SSI Depth

arxiv url: http://arxiv.org/abs/2406.09374v1
Date: Thu, 13 Jun 2024 17:52:47 GMT
ステータス: 処理完了
システム内更新日: 2024-06-14 16:15:58.957232
Title: Scale-Invariant Monocular Depth Estimation via SSI Depth
Title（参考訳）: SSI深度を用いたスケール不変単分子深度推定
Authors: S. Mahdi H. Miangoleh, Mahesh Reddy, Yağız Aksoy,
Abstract要約: スケール不変単分子深度推定(SI MDE)の現在の手法は、タスクの複雑さのためにしばしば困難である。本稿では,SSI入力を活用してSI深度推定を強化し,ネットワークの役割を合理化し,組込み一般化を容易にする手法を提案する。
参考スコア（独自算出の注目度）: 0.6554326244334868
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Existing methods for scale-invariant monocular depth estimation (SI MDE) often struggle due to the complexity of the task, and limited and non-diverse datasets, hindering generalizability in real-world scenarios. This is while shift-and-scale-invariant (SSI) depth estimation, simplifying the task and enabling training with abundant stereo datasets achieves high performance. We present a novel approach that leverages SSI inputs to enhance SI depth estimation, streamlining the network's role and facilitating in-the-wild generalization for SI depth estimation while only using a synthetic dataset for training. Emphasizing the generation of high-resolution details, we introduce a novel sparse ordinal loss that substantially improves detail generation in SSI MDE, addressing critical limitations in existing approaches. Through in-the-wild qualitative examples and zero-shot evaluation we substantiate the practical utility of our approach in computational photography applications, showcasing its ability to generate highly detailed SI depth maps and achieve generalization in diverse scenarios.
Abstract（参考訳）: スケール不変単分子深度推定(SI MDE)の既存の手法は、タスクの複雑さと、制限された非多変数データセットのためにしばしば苦労し、現実のシナリオにおける一般化性を妨げている。これは、シフト・アンド・スケール・不変(SSI)深さ推定がタスクを単純化し、豊富なステレオデータセットによるトレーニングを可能にする一方で、高いパフォーマンスを実現する。本稿では,SSI入力を利用してSI深度推定を強化し,ネットワークの役割を合理化し,SI深度推定のための組込み一般化を容易にする手法を提案する。高解像度細部の生成を強調することで,SSI MDEにおける細部生成を大幅に改善し,既存のアプローチにおける限界に対処する,新しいスパース順序損失を導入する。 In-the-wild qualitative example and zero-shot evaluation we are understantiate the practical utility of our approach in computer photography applications, shows its ability to generate high detailed SI depth map and achieve generalization in various scenarios。

関連論文リスト

Leveraging Stable Diffusion for Monocular Depth Estimation via Image Semantic Encoding [1.0445560141983634]
視覚的特徴から直接文脈情報を抽出する画像に基づくセマンティック埋め込みを提案する。提案手法は,屋外シーンの処理におけるCLIP埋め込みの欠点に対処しながら,最先端モデルに匹敵する性能を実現する。
論文参考訳（メタデータ） (2025-02-01T15:37:22Z)
ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
本研究では,新しい単分子深度推定法であるScaleDepthを提案する。提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
論文参考訳（メタデータ） (2024-07-11T05:11:56Z)
Hyperspectral Benchmark: Bridging the Gap between HSI Applications through Comprehensive Dataset and Pretraining [11.935879491267634]
ハイパースペクトルイメージング (HSI) は、様々な応用の非破壊空間分光技術として機能する。繰り返し発生する課題は、ターゲットデータセットの限られたサイズであり、徹底的なアーキテクチャ検索を妨げる。本研究は、3つの顕著な異なるHSIアプリケーションを含む革新的なベンチマークデータセットを紹介する。
論文参考訳（メタデータ） (2023-09-20T08:08:34Z)
Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文参考訳（メタデータ） (2023-09-18T12:36:39Z)
DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。 DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
論文参考訳（メタデータ） (2022-12-05T14:00:59Z)
DesNet: Decomposed Scale-Consistent Network for Unsupervised Depth Completion [28.91716162403531]
教師なし深度補完は、接地トラスアノテーションを使わずにスパースから密集した深度を回復することを目的としている。本研究では,絶対深度を相対深度予測とグローバルスケール推定に分解するDSCL戦略を提案する。提案手法は,室内のNYUv2データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-11-20T14:56:18Z)
SUB-Depth: Self-distillation and Uncertainty Boosting Self-supervised Monocular Depth Estimation [12.874712571149725]
SUB-Depthは、自己教師付き単眼深度推定のための普遍的なマルチタスクトレーニングフレームワークである。サブDepthは、画像再構成タスクの深度マップを予測するだけでなく、学習した教師ネットワークから学習した知識を未学習のデータで抽出するために、深度ネットワークを訓練する。提案するフレームワークを用いて,既存のネットワークをトレーニングすることで達成した改善を実証するために,KITTIに関する広範囲な評価を行った。
論文参考訳（メタデータ） (2021-11-18T13:55:47Z)
Self-Supervised Monocular Depth Estimation with Internal Feature Fusion [12.874712571149725]
深度推定のための自己教師付き学習は、画像列の幾何学を用いて監督する。そこで本研究では,ダウンおよびアップサンプリングの手順で意味情報を利用することのできる,新しい深度推定ネットワークDIFFNetを提案する。
論文参考訳（メタデータ） (2021-10-18T17:31:11Z)
Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文参考訳（メタデータ） (2021-05-25T02:17:56Z)
High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文参考訳（メタデータ） (2020-12-17T23:21:53Z)
Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。