論文の概要: OGNI-DC: Robust Depth Completion with Optimization-Guided Neural Iterations

• arxiv url: http://arxiv.org/abs/2406.11711v1
• Date: Mon, 17 Jun 2024 16:30:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 13:43:30.084612
• Title: OGNI-DC: Robust Depth Completion with Optimization-Guided Neural Iterations
• Title（参考訳）: OGNI-DC:最適化誘導型ニューラルネットワークによるロバスト深さ補完
• Authors: Yiming Zuo, Jia Deng,
• Abstract要約: OGNI(Optimization-Guided Neural Iterations)は深度補正のための新しいフレームワークである。 OGNI-DCは強力な一般化を示し、目に見えないデータセットのベースラインと、さまざまな空間レベルのベースラインを上回ります。 精度が高く、NYUv2とKITTIベンチマークで最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 23.0962036039182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depth completion is the task of generating a dense depth map given an image and a sparse depth map as inputs. It has important applications in various downstream tasks. In this paper, we present OGNI-DC, a novel framework for depth completion. The key to our method is "Optimization-Guided Neural Iterations" (OGNI). It consists of a recurrent unit that refines a depth gradient field and a differentiable depth integrator that integrates the depth gradients into a depth map. OGNI-DC exhibits strong generalization, outperforming baselines by a large margin on unseen datasets and across various sparsity levels. Moreover, OGNI-DC has high accuracy, achieving state-of-the-art performance on the NYUv2 and the KITTI benchmarks. Code is available at https://github.com/princeton-vl/OGNI-DC.
• Abstract（参考訳）: 深度完了は、画像とスパース深度マップを入力として与えられた濃密深度マップを生成するタスクである。 様々な下流タスクに重要な応用がある。 本稿では,深度補完のための新しいフレームワークであるOGNI-DCを提案する。 提案手法の鍵は,OGNI(Optimization-Guided Neural Iterations)である。 深度勾配場を洗練する再帰単位と、深度勾配を深度マップに統合する微分可能な深度積分器からなる。 OGNI-DCは強力な一般化を示し、見当たらないデータセットと様々なスパシティレベルの大きなマージンでベースラインを上回っている。 さらに、OGNI-DCは精度が高く、NYUv2とKITTIベンチマークで最先端のパフォーマンスを実現している。 コードはhttps://github.com/princeton-vl/OGNI-DCで入手できる。

関連論文リスト

• DepthLab: From Partial to Complete [80.58276388743306]
  不足する値は、幅広いアプリケーションにわたる深度データにとって共通の課題である。 この作業は、イメージ拡散プリエントを利用した基礎深度塗装モデルであるDepthLabと、このギャップを埋めるものだ。 提案手法は,3Dシーンのインペイント,テキストから3Dシーン生成,DUST3Rによるスパースビュー再構成,LiDAR深度補完など,様々なダウンストリームタスクにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:16:38Z)
• Marigold-DC: Zero-Shot Monocular Depth Completion with Guided Diffusion [51.69876947593144]
  奥行き完了のための既存の手法は、厳密に制約された設定で動作する。 単眼深度推定の進歩に触発されて,画像条件の深度マップ生成として深度補完を再構成した。 Marigold-DCは、単分子深度推定のための事前訓練された潜伏拡散モデルを構築し、試験時間ガイダンスとして深度観測を注入する。
  論文  参考訳（メタデータ） (2024-12-18T00:06:41Z)
• OMNI-DC: Highly Robust Depth Completion with Multiresolution Depth Integration [26.6801726990372]
  深度完備化(DC)は、RGB画像から深度マップを推定し、スパース深度観測を行うことを目的としている。 既存のDCの手法は、新しいデータセットや未知のスパース深度パターンをうまく一般化する。 OMNI-DCは,様々なシナリオにまたがってよく一般化される,非常に堅牢なDCモデルである。
  論文  参考訳（メタデータ） (2024-11-28T17:20:04Z)
• DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
  ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。 まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。 また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:59:58Z)
• HybridDepth: Robust Metric Depth Fusion by Leveraging Depth from Focus and Single-Image Priors [10.88048563201236]
  本稿では,深度推定における重要な課題に対処する頑健な深度推定パイプラインHYBRIDDEPTHを提案する。 HYBRIDDEPTHは、一般的なモバイルデバイスで便利なデータである焦点スタックを活用して、正確な距離深度マップを生成する。 包括的定量的および定性的分析により、HYBRIDDEPTHは最先端(SOTA)モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-26T00:51:52Z)
• 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)
• Revisiting Deformable Convolution for Depth Completion [40.45231083385708]
  深度完備化は、スパース深度マップから高品質の高密度深度マップを作成することを目的としている。 従来の作業では、通常、RGBイメージをガイダンスとして使用し、推定された粗い深度マップを洗練するための反復的な空間伝播を導入している。 変形可能なカーネルの畳み込みを単一パスリファインメントモジュールとして活用する,効率的なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-03T17:59:06Z)
• BridgeNet: A Joint Learning Network of Depth Map Super-Resolution and Monocular Depth Estimation [60.34562823470874]
  本稿では,DSR(Deep Map Super- resolution)とMDE(Monocular depth Estimation)の併用学習ネットワークを提案する。 1つは特徴符号化プロセスのために設計された高周波アテンションブリッジ(HABdg)で、これはDSRタスクを誘導するMDEタスクの高周波情報を学ぶ。 もう一つは、深度マップ再構築プロセス用に設計されたコンテンツガイダンスブリッジ(CGBdg)であり、MDEタスクのためにDSRタスクから学んだコンテンツガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-07-27T01:28:23Z)
• Towards Fast and Accurate Real-World Depth Super-Resolution: Benchmark Dataset and Baseline [48.69396457721544]
  深度写像スーパーリゾリューション(SR)の研究を促進するために,RGB-D-Dという大規模データセットを構築した。 本稿では、RGB画像から高周波成分を適応的に分解して深度マップSRを導出する高速深度マップ超解像(FDSR)ベースラインを提供する。 実世界のLR深度マップでは、より明確な境界を持つより正確なHR深度マップを作成でき、ある程度の精度で深度値誤差を補正できる。
  論文  参考訳（メタデータ） (2021-04-13T13:27:26Z)
• FCFR-Net: Feature Fusion based Coarse-to-Fine Residual Learning for Monocular Depth Completion [15.01291779855834]
  最近のアプローチは、主に1段階のエンドツーエンドの学習タスクとして深さの完成を定式化します。 深度完了を2段階学習タスクとして定式化する,新しいエンドツーエンドの残留学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T13:09:56Z)
• 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)

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。