論文の概要: The Sampling-Gaussian for stereo matching

• arxiv url: http://arxiv.org/abs/2410.06527v1
• Date: Wed, 9 Oct 2024 03:57:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 05:09:09.783562
• Title: The Sampling-Gaussian for stereo matching
• Title（参考訳）: ステレオマッチングのためのサンプリング・ガウスアン
• Authors: Baiyu Pan, jichao jiao, Bowen Yao, Jianxin Pang, Jun Cheng,
• Abstract要約: ソフトアルグマックス演算は、ニューラルネットワークベースのステレオマッチング法で広く採用されている。 従来の手法では精度を効果的に向上できず、ネットワークの効率を損なうこともあった。 本稿では,ステレオマッチングのための新しい監視手法,サンプリング・ガウシアンを提案する。
• 参考スコア（独自算出の注目度）: 7.9898209414259425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The soft-argmax operation is widely adopted in neural network-based stereo matching methods to enable differentiable regression of disparity. However, network trained with soft-argmax is prone to being multimodal due to absence of explicit constraint to the shape of the probability distribution. Previous methods leverages Laplacian distribution and cross-entropy for training but failed to effectively improve the accuracy and even compromises the efficiency of the network. In this paper, we conduct a detailed analysis of the previous distribution-based methods and propose a novel supervision method for stereo matching, Sampling-Gaussian. We sample from the Gaussian distribution for supervision. Moreover, we interpret the training as minimizing the distance in vector space and propose a combined loss of L1 loss and cosine similarity loss. Additionally, we leveraged bilinear interpolation to upsample the cost volume. Our method can be directly applied to any soft-argmax-based stereo matching method without a reduction in efficiency. We have conducted comprehensive experiments to demonstrate the superior performance of our Sampling-Gaussian. The experimental results prove that we have achieved better accuracy on five baseline methods and two datasets. Our method is easy to implement, and the code is available online.
• Abstract（参考訳）: ソフトアルグマックス演算は、ニューラルネットワークベースのステレオマッチング法で広く採用されており、相違の微分可能な回帰を可能にする。 しかし、確率分布の形状に明示的な制約がないため、ソフトアルグマックスで訓練されたネットワークはマルチモーダルになりがちである。 従来の手法ではラプラシア分布とクロスエントロピーをトレーニングに利用していたが、精度を効果的に向上できず、ネットワークの効率を損なうこともなかった。 本稿では,従来の配電方式の詳細な解析を行い,ステレオマッチングのための新しい監視手法であるサンプリング・ガウシアンを提案する。 我々は監督のためにガウス分布からサンプルを採取した。 さらに,ベクトル空間における距離の最小化としてトレーニングを解釈し,L1損失とコサイン類似性損失の複合的損失を提案する。 さらに,双線形補間を利用してコストを増幅した。 本手法は効率を低下させることなく任意のソフトargmaxベースのステレオマッチング法に直接適用することができる。 我々はSamping-Gaussianの優れた性能を示すための総合的な実験を行った。 実験の結果,5つのベースライン法と2つのデータセットの精度が向上したことが示された。 私たちのメソッドの実装は簡単で、コードはオンラインで利用可能です。

関連論文リスト

• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
  変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。 複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。 提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
  論文  参考訳（メタデータ） (2023-10-10T14:06:56Z)
• Observation-Guided Diffusion Probabilistic Models [41.749374023639156]
  観測誘導拡散確率モデル(OGDM)と呼ばれる新しい拡散に基づく画像生成法を提案する。 本手法は,観測プロセスの指導をマルコフ連鎖と統合することにより,トレーニング目標を再構築する。 本研究では,強力な拡散モデルベースライン上での多様な推論手法を用いたトレーニングアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-06T06:29:06Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference [12.91637880428221]
  本稿では, 後方分布から効率的にサンプリングするために, 可変分割を利用したプラグアンドプレイサンプリングアルゴリズムを提案する。 後方サンプリングの課題を2つの単純なサンプリング問題に分割する。 その性能は最近の最先端の最適化とサンプリング手法と比較される。
  論文  参考訳（メタデータ） (2023-04-21T17:17:51Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• Localization with Sampling-Argmax [45.408767601013786]
  本稿では,確率マップの形状に暗黙の制約を課す識別可能な訓練法であるサンプリング-argmaxを提案する。 サンプリング・argmaxは,様々な局所化タスクにおける従来のソフト・argmax操作をシームレスに置き換えることができることを示す。
  論文  参考訳（メタデータ） (2021-10-17T13:56:25Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)

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。