論文の概要: Temporal Lidar Depth Completion

• arxiv url: http://arxiv.org/abs/2406.11315v1
• Date: Mon, 17 Jun 2024 08:25:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 15:50:52.718020
• Title: Temporal Lidar Depth Completion
• Title（参考訳）: テンポラルライダー深さの完成
• Authors: Pietari Kaskela, Philipp Fischer, Timo Roman,
• Abstract要約: PENetは, 再発の恩恵を受けるために, 最新の手法であるPENetをどう修正するかを示す。 提案アルゴリズムは,KITTI深度補完データセットの最先端結果を実現する。
• 参考スコア（独自算出の注目度）: 0.08192907805418582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the lidar measurements from an autonomous vehicle, we can project the points and generate a sparse depth image. Depth completion aims at increasing the resolution of such a depth image by infilling and interpolating the sparse depth values. Like most existing approaches, we make use of camera images as guidance in very sparse or occluded regions. In addition, we propose a temporal algorithm that utilizes information from previous timesteps using recurrence. In this work, we show how a state-of-the-art method PENet can be modified to benefit from recurrency. Our algorithm achieves state-of-the-art results on the KITTI depth completion dataset while adding only less than one percent of additional overhead in terms of both neural network parameters and floating point operations. The accuracy is especially improved for faraway objects and regions containing a low amount of lidar depth samples. Even in regions without any ground truth (like sky and rooftops) we observe large improvements which are not captured by the existing evaluation metrics.
• Abstract（参考訳）: 自律走行車からのライダー計測を考慮すれば、ポイントを投影し、スパース深度画像を生成することができる。 深度補完は、スパース深度値を埋め込んで補間することにより、そのような深度画像の解像度を高めることを目的としている。 既存の多くのアプローチと同様に、非常に疎外または隠蔽された地域では、カメライメージをガイダンスとして利用しています。 さらに,過去の時系列情報を利用した時間的アルゴリズムを提案する。 本研究は, PENetが再発の恩恵を受けるために, 最新の手法であるPENetをどのように修正できるかを示す。 提案アルゴリズムは,ニューラルネットワークパラメータと浮動小数点演算の両面で追加オーバーヘッドの1%未満を加算しながら,KITTI深度補完データセットの最先端結果を達成する。 この精度は,低量のライダー深度サンプルを含む遠距離物体や領域に対して特に向上する。 地上の真実のない地域(スカイや屋上など)でも、既存の評価指標では捉えられないような大きな改善が観察できる。

関連論文リスト

• All-day Depth Completion [20.98941382541901]
  そこで本稿では,照明条件の異なる日夜の深度推定手法を提案する。 我々は、カメラ画像とともに、画像平面上に投影された追加の同期スパース点雲をスパース深度マップとして入力する。 SpaDeはプラグイン・アンド・プレイ方式で使用することができ、既存のメソッドでスパースディープを前処理するときに25%改善できる。
  論文  参考訳（メタデータ） (2024-05-27T16:16:53Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• LRRU: Long-short Range Recurrent Updating Networks for Depth Completion [45.48580252300282]
  深度補修をより効率的に行うために,Long-Short Range Recurrent Updating (LRRU) ネットワークを提案する。 LRRUはまずスパース入力を大まかに満たして初期密度の深度マップを取得し、次に学習された空間変化カーネルを通して反復的に更新する。 我々の初期深度マップには粗いが完全な深度情報があり、粗い深度から深度を直接退避させる負担を軽減できる。
  論文  参考訳（メタデータ） (2023-10-13T09:04:52Z)
• Depth Refinement for Improved Stereo Reconstruction [13.941756438712382]
  立体画像からの深度推定の現在の技術は、なおも内蔵の欠点に悩まされている。 簡単な解析により、深度誤差は物体の距離に2乗比例することが明らかになった。 本研究では,深度推定に改良ネットワークを用いた簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-12-15T12:21:08Z)
• Differentiable Diffusion for Dense Depth Estimation from Multi-view Images [31.941861222005603]
  深度マップへの拡散がRGB監督からの多視点再投射誤差を最小限に抑えるように、細かな点集合を最適化することにより、深度を推定する手法を提案する。 また,複雑なシーン再構成に必要な50k以上のポイントを同時に最適化できる効率的な最適化ルーチンを開発した。
  論文  参考訳（メタデータ） (2021-06-16T16:17:34Z)
• Depth Completion using Plane-Residual Representation [84.63079529738924]
  深度情報を最も近い深度平面ラベル$p$と残値$r$で解釈する新しい方法を紹介し,これをPlane-Residual (PR)表現と呼ぶ。 PR表現で深度情報を解釈し,それに対応する深度補完網を用いて,高速な計算により深度補完性能を向上させることができた。
  論文  参考訳（メタデータ） (2021-04-15T10:17:53Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• Efficient Depth Completion Using Learned Bases [94.0808155168311]
  深度補正のための新しい大域的幾何制約を提案する。 低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
  論文  参考訳（メタデータ） (2020-12-02T11:57:37Z)
• Deep Multi-view Depth Estimation with Predicted Uncertainty [11.012201499666503]
  我々は、高密度光フローネットワークを用いて対応を計算し、点雲を三角測量して初期深度マップを得る。 三角測量の精度をさらに高めるため,画像の文脈に基づく初期深度マップを最適化する深度補正ネットワーク(DRN)を導入する。
  論文  参考訳（メタデータ） (2020-11-19T00:22:09Z)
• Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
  カラービデオから多フレーム深度を推定する新しい学習手法を提案する。 本手法は深度推定精度において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2020-04-02T07:10:45Z)
• Depth Completion Using a View-constrained Deep Prior [73.21559000917554]
  近年の研究では、畳み込みニューラルネットワーク(CNN)の構造が、自然画像に有利な強い先行性をもたらすことが示されている。 この前者はディープ・イメージ・先行 (DIP) と呼ばれ、画像の装飾や塗装といった逆問題において有効な正則化器である。 我々は、DIPの概念を深度画像に拡張し、色画像とノイズと不完全な目標深度マップから、CNNネットワーク構造を先行して復元された深度マップを再構成する。
  論文  参考訳（メタデータ） (2020-01-21T21:56:01Z)

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。