論文の概要: fCOP: Focal Length Estimation from Category-level Object Priors

• arxiv url: http://arxiv.org/abs/2409.19641v1
• Date: Sun, 29 Sep 2024 10:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:04:15.893676
• Title: fCOP: Focal Length Estimation from Category-level Object Priors
• Title（参考訳）: fCOP:カテゴリーレベルのオブジェクトからの焦点長推定
• Authors: Xinyue Zhang, Jiaqi Yang, Xiangting Meng, Abdelrahman Mohamed, Laurent Kneip,
• Abstract要約: そこで本研究では,カテゴリレベルの対象先行値を用いた単眼焦点距離推定手法を提案する。 シミュレーションおよび実世界のデータを用いた実験により,提案手法が現在の最先端技術より優れていることを示す。
• 参考スコア（独自算出の注目度）: 31.415919453036
• License:
• Abstract: In the realm of computer vision, the perception and reconstruction of the 3D world through vision signals heavily rely on camera intrinsic parameters, which have long been a subject of intense research within the community. In practical applications, without a strong scene geometry prior like the Manhattan World assumption or special artificial calibration patterns, monocular focal length estimation becomes a challenging task. In this paper, we propose a method for monocular focal length estimation using category-level object priors. Based on two well-studied existing tasks: monocular depth estimation and category-level object canonical representation learning, our focal solver takes depth priors and object shape priors from images containing objects and estimates the focal length from triplets of correspondences in closed form. Our experiments on simulated and real world data demonstrate that the proposed method outperforms the current state-of-the-art, offering a promising solution to the long-standing monocular focal length estimation problem.
• Abstract（参考訳）: コンピュータビジョンの領域では、視覚信号による3D世界の認識と再構築は、長い間コミュニティ内で激しい研究の対象となっていたカメラ固有のパラメータに大きく依存している。 現実的な応用では、マンハッタン・ワールドの仮定や特別な人工キャリブレーションパターンのような強いシーン幾何学がなければ、単眼焦点距離推定は難しい課題となる。 本稿では,カテゴリレベルの対象先行値を用いた単眼焦点距離推定手法を提案する。 単眼深度推定とカテゴリーレベルの対象標準表現学習という,既存の2つの課題に基づいて,対象を含む画像から奥行き先と対象形状先を抽出し,クローズド形式の三重項から焦点長を推定する。 シミュレーションおよび実世界データを用いた実験により,提案手法は現状よりも優れており,長期の単分子焦点長推定問題に対する有望な解であることが示された。

関連論文リスト

• 3D Scene Geometry Estimation from 360$^\circ$ Imagery: A Survey [1.3654846342364308]
  本稿では,先駆的かつ最先端の3次元シーン形状推定手法に関する包括的調査を行う。 まず、球面カメラモデルの基本概念を再考し、最も一般的な取得技術と表現形式についてレビューする。 次に、単色レイアウトと深度推論のアプローチを調査し、球面データに適した学習ベースソリューションの最近の進歩を強調した。
  論文  参考訳（メタデータ） (2024-01-17T14:57:27Z)
• Instance-aware Multi-Camera 3D Object Detection with Structural Priors Mining and Self-Boosting Learning [93.71280187657831]
  カメラによる鳥眼視(BEV)知覚パラダイムは、自律運転分野において大きな進歩を遂げている。 画像平面のインスタンス認識をBEV検出器内の深度推定プロセスに統合するIA-BEVを提案する。
  論文  参考訳（メタデータ） (2023-12-13T09:24:42Z)
• Learning Monocular Depth in Dynamic Environment via Context-aware Temporal Attention [9.837958401514141]
  マルチフレーム単眼深度推定のためのコンテキスト対応テンポラルアテンション誘導ネットワークであるCTA-Depthを提案する。 提案手法は,3つのベンチマークデータセットに対する最先端アプローチよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-05-12T11:48:32Z)
• State of the Art in Dense Monocular Non-Rigid 3D Reconstruction [100.9586977875698]
  モノクル2D画像から変形可能なシーン(または非剛体)の3D再構成は、コンピュータビジョンとグラフィックスの長年、活発に研究されてきた領域である。 本研究は,モノクラー映像やモノクラービューの集合から,様々な変形可能な物体や複合シーンを高密度に非剛性で再現するための最先端の手法に焦点を当てる。
  論文  参考訳（メタデータ） (2022-10-27T17:59:53Z)
• Next-Best-View Prediction for Active Stereo Cameras and Highly Reflective Objects [12.21992378133376]
  反射物体の深度データを完成させるためのカメラ視点を戦略的に選択する次世代ビューフレームワークを提案する。 我々は既存のデータから現在のポーズ予測を得るためにRGBベースのポーズ推定器を用いる。 我々の能動深度取得法は,2つの強いベースラインを上回り,深度完成度とオブジェクトポーズ推定性能を両立させる。
  論文  参考訳（メタデータ） (2022-02-27T01:48:02Z)
• Attentive and Contrastive Learning for Joint Depth and Motion Field Estimation [76.58256020932312]
  単眼視システムからシーンの3次元構造とともにカメラの動きを推定することは複雑な作業である。 モノクロ映像からの3次元物体運動場推定のための自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T16:45:01Z)
• Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
  射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。 具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。 本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-29T12:30:39Z)
• DONet: Learning Category-Level 6D Object Pose and Size Estimation from Depth Observation [53.55300278592281]
  単一深度画像からカテゴリレベルの6次元オブジェクト・ポースとサイズ推定(COPSE)を提案する。 筆者らのフレームワークは,深度チャネルのみの物体のリッチな幾何学的情報に基づいて推論を行う。 我々のフレームワークは、ラベル付き現実世界の画像を必要とする最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-06-27T10:41:50Z)
• Single View Metrology in the Wild [94.7005246862618]
  本研究では,物体の3次元の高さや地上のカメラの高さで表現されるシーンの絶対的なスケールを再現する,単一ビューメロジに対する新しいアプローチを提案する。 本手法は,被写体の高さなどの3Dエンティティによる未知のカメラとの相互作用から,弱い教師付き制約を抑えるために設計されたディープネットワークによって学習されたデータ駆動の先行情報に依存する。 いくつかのデータセットと仮想オブジェクト挿入を含むアプリケーションに対して、最先端の定性的かつ定量的な結果を示す。
  論文  参考訳（メタデータ） (2020-07-18T22:31:33Z)

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。