論文の概要: Self-Distilled Depth Refinement with Noisy Poisson Fusion

• arxiv url: http://arxiv.org/abs/2409.17880v1
• Date: Thu, 26 Sep 2024 14:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 17:47:25.942497
• Title: Self-Distilled Depth Refinement with Noisy Poisson Fusion
• Title（参考訳）: ノイジーポアソン核融合による自己蒸留深部微細化
• Authors: Jiaqi Li, Yiran Wang, Jinghong Zheng, Zihao Huang, Ke Xian, Zhiguo Cao, Jianming Zhang,
• Abstract要約: 局所的不整合およびエッジ変形雑音を伴うポアソン核融合問題として深度補正をモデル化する。 雑音に対する強靭性を実現するための自己蒸留深度微細化フレームワークを提案する。 本モデルでは, ノイズに対する強靭性を向上し, 精度, エッジ品質, 効率, 一般化性を大幅に向上させることができる。
• 参考スコア（独自算出の注目度）: 23.39006239363958
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Depth refinement aims to infer high-resolution depth with fine-grained edges and details, refining low-resolution results of depth estimation models. The prevailing methods adopt tile-based manners by merging numerous patches, which lacks efficiency and produces inconsistency. Besides, prior arts suffer from fuzzy depth boundaries and limited generalizability. Analyzing the fundamental reasons for these limitations, we model depth refinement as a noisy Poisson fusion problem with local inconsistency and edge deformation noises. We propose the Self-distilled Depth Refinement (SDDR) framework to enforce robustness against the noises, which mainly consists of depth edge representation and edge-based guidance. With noisy depth predictions as input, SDDR generates low-noise depth edge representations as pseudo-labels by coarse-to-fine self-distillation. Edge-based guidance with edge-guided gradient loss and edge-based fusion loss serves as the optimization objective equivalent to Poisson fusion. When depth maps are better refined, the labels also become more noise-free. Our model can acquire strong robustness to the noises, achieving significant improvements in accuracy, edge quality, efficiency, and generalizability on five different benchmarks. Moreover, directly training another model with edge labels produced by SDDR brings improvements, suggesting that our method could help with training robust refinement models in future works.
• Abstract（参考訳）: 深度補正は、細粒度と細部で高分解能深度を推定し、深度推定モデルの低分解能結果を精査することを目的としている。 一般的な方法は、多くのパッチをマージすることでタイルベースの方法を採用するが、効率が悪く、一貫性がない。 また、前身芸術はファジィな奥行き境界と限定的な一般化性に悩まされている。 これらの制約の根本的な理由を解析し、局所的不整合とエッジ変形雑音を伴うノイズの多いポアソン融合問題として深度補正をモデル化する。 本稿では,奥行き表現とエッジベースガイダンスを主成分とする自己蒸留深度微細化(SDDR)フレームワークを提案する。 入力として雑音深度予測を用いると、SDDRは粗大な自己蒸留により擬似ラベルとして低雑音深度エッジ表現を生成する。 エッジ誘導勾配損失とエッジベース融合損失を用いたエッジベース誘導は、ポアソン核融合と同等の最適化目標となる。 ディープマップが改良されると、ラベルもノイズフリーになる。 提案モデルでは,5つのベンチマークにおいて,精度,エッジ品質,効率,一般化性の大幅な向上を達成できる。 さらに,SDDRが生成するエッジラベルを用いて,他のモデルを直接トレーニングすることで改良がもたらされ,今後の作業において堅牢なリファインメントモデルのトレーニングに役立つ可能性が示唆された。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Robust Network Learning via Inverse Scale Variational Sparsification [55.64935887249435]
  時間連続な逆スケール空間の定式化において、逆スケールの変動スペーサー化フレームワークを導入する。 周波数ベースの手法とは異なり、我々の手法は小さな特徴を滑らかにすることでノイズを除去するだけでなく、ノイズを除去する。 各種騒音に対する頑健性の向上によるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-27T03:17:35Z)
• Scene Prior Filtering for Depth Super-Resolution [97.30137398361823]
  テクスチャ干渉とエッジ不正確性を緩和するScene Prior Filtering Network(SPFNet)を導入する。 我々のSPFNetは、実データと合成データの両方で広範囲に評価され、最先端の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） (2024-02-21T15:35:59Z)
• PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
  位相検索は、計算画像および画像処理における非線型逆問題である。 我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。 非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
  論文  参考訳（メタデータ） (2023-09-08T07:37:15Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Securing Distributed SGD against Gradient Leakage Threats [13.979995939926154]
  本稿では, 勾配漏れ弾性分布勾配Descent (SGD) に対する総合的アプローチを提案する。 プライバシー強化型フェデレーション学習の2つの方法として, (i) ランダム選択や低ランクフィルタリングによるグラデーションプルーニング, (ii) 付加的ランダムノイズや差分プライバシーノイズによる勾配摂動について分析した。 本稿では,分散SGDをフェデレート学習において確保するための勾配リーク耐性手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T21:39:27Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows [20.382995180671205]
  ポイント・クラウド・デノゲーション(Point cloud denoising)は、ノイズや外れ値によって破損した生の観測からクリーン・ポイント・クラウドを復元することを目的としている。 本稿では,正規化フローとノイズ分散手法を取り入れた,ディープラーニングに基づく新しいDenoisingモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-11T14:17:58Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• Deep Multi-Scale Feature Learning for Defocus Blur Estimation [10.455763145066168]
  本稿では,1つの非焦点画像からエッジベースのデフォーカスボケ推定手法を提案する。 まず、深さの不連続性(ぼかし推定が曖昧な)にあるエッジと、ほぼ一定の深さ領域にあるエッジ(ぼかし推定が適切に定義されたパターンエッジ)とを区別する。 パターンエッジのみにおけるデフォーカスのぼかし量を推定し,検出した深度エッジ間のデータ伝搬を防止し,適切に定義されたオブジェクト境界を持つ濃密なぼかしマップを得るためのガイド付きフィルタに基づくスキームを探索する。
  論文  参考訳（メタデータ） (2020-09-24T20:36:40Z)
• AcED: Accurate and Edge-consistent Monocular Depth Estimation [0.0]
  単一画像深度推定は難しい問題である。 完全に微分可能な順序回帰を定式化し、エンドツーエンドでネットワークを訓練する。 深度補正のための画素ごとの信頼度マップ計算も提案した。
  論文  参考訳（メタデータ） (2020-06-16T15:21:00Z)

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。