論文の概要: These Maps Are Made by Propagation: Adapting Deep Stereo Networks to Road Scenarios with Decisive Disparity Diffusion

• arxiv url: http://arxiv.org/abs/2411.03717v1
• Date: Wed, 06 Nov 2024 07:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:23:29.455953
• Title: These Maps Are Made by Propagation: Adapting Deep Stereo Networks to Road Scenarios with Decisive Disparity Diffusion
• Title（参考訳）: これらの地図はプロパゲーションによって作成される:決定的格差の拡散を伴う道路シナリオにディープステレオネットワークを適用する
• Authors: Chuang-Wei Liu, Yikang Zhang, Qijun Chen, Ioannis Pitas, Rui Fan,
• Abstract要約: 本稿では,決定的不均衡拡散(D3Stereo)を紹介する。 これは、事前訓練されたディープ畳み込みニューラルネットワーク(DCNN)を、これまで見つからなかった道路シナリオに適応させる、ディープ特徴マッチングの最初の調査である。 D3Stereoの重要な革新は、その決定的な格差拡散戦略の交互化にある。
• 参考スコア（独自算出の注目度）: 25.48602334013716
• License:
• Abstract: Stereo matching has emerged as a cost-effective solution for road surface 3D reconstruction, garnering significant attention towards improving both computational efficiency and accuracy. This article introduces decisive disparity diffusion (D3Stereo), marking the first exploration of dense deep feature matching that adapts pre-trained deep convolutional neural networks (DCNNs) to previously unseen road scenarios. A pyramid of cost volumes is initially created using various levels of learned representations. Subsequently, a novel recursive bilateral filtering algorithm is employed to aggregate these costs. A key innovation of D3Stereo lies in its alternating decisive disparity diffusion strategy, wherein intra-scale diffusion is employed to complete sparse disparity images, while inter-scale inheritance provides valuable prior information for higher resolutions. Extensive experiments conducted on our created UDTIRI-Stereo and Stereo-Road datasets underscore the effectiveness of D3Stereo strategy in adapting pre-trained DCNNs and its superior performance compared to all other explicit programming-based algorithms designed specifically for road surface 3D reconstruction. Additional experiments conducted on the Middlebury dataset with backbone DCNNs pre-trained on the ImageNet database further validate the versatility of D3Stereo strategy in tackling general stereo matching problems.
• Abstract（参考訳）: ステレオマッチングは道路表面の3次元再構成における費用対効果のソリューションとして登場し,計算効率と精度の向上に大きな注目を集めている。 本稿では,事前学習したディープ畳み込みニューラルネットワーク(DCNN)を従来見られなかった道路シナリオに適応させる,ディープ特徴マッチングの最初の探索として,決定的不均衡拡散(D3Stereo)を紹介する。 コストボリュームのピラミッドは、最初はさまざまなレベルの学習表現を使って作成されます。 その後、これらのコストを集約するために、新しい再帰的二元フィルタリングアルゴリズムが使用される。 D3Stereoの重要な革新は、その決定的な格差拡散戦略の交互化にある。 UDTIRI-Stereo と Stereo-Road のデータセットを用いた大規模な実験により,D3Stereo 戦略の事前学習DCNN 適応効果と,道路面の3次元再構成に特化して設計された他の明示的プログラミングベースアルゴリズムと比較して,優れた性能を示した。 ImageNetデータベースに事前トレーニングされたバックボーンDCNNを用いたミドルベリーデータセットで実施された追加実験は、一般的なステレオマッチング問題に対処する上でのD3Stereo戦略の汎用性をさらに検証する。

関連論文リスト

• Rethinking the Key Factors for the Generalization of Remote Sensing Stereo Matching Networks [15.456986824737067]
  ステレオマッチングタスクは高価な空中LiDARデータに依存している。 本稿では,3つの視点から重要なトレーニング要因について検討する。 一般化性能のよい教師なしステレオマッチングネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-14T15:26:10Z)
• Deep Diffusion Image Prior for Efficient OOD Adaptation in 3D Inverse Problems [61.85478918618346]
  本稿では,従来のディープイメージに形式的な接続を導入することで,最近のSCD適応法を一般化するDDIPを提案する。 本稿では,D3IPと呼ばれる3次元計測のための効率的な適応手法を提案し,DDIPを桁違いに高速化する。 本手法は, 学習対象とは大きく異なるファントム画像のみを用いて, 事前学習した生成的画像から多種多様な3次元再構成タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2024-07-15T12:00:46Z)
• GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
  本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。 提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
  論文  参考訳（メタデータ） (2024-05-17T07:31:20Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Deep Compressed Learning for 3D Seismic Inversion [5.926203312586109]
  ごく少数の地震源を用いたプレスタックデータからの3次元地震インバージョン問題について考察する。 提案したソリューションは、圧縮センシングと機械学習のフレームワークの組み合わせに基づいている。
  論文  参考訳（メタデータ） (2023-10-31T19:34:26Z)
• BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
  ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。 新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
  論文  参考訳（メタデータ） (2022-04-03T19:33:09Z)
• VolumeFusion: Deep Depth Fusion for 3D Scene Reconstruction [71.83308989022635]
  本稿では、ディープニューラルネットワークを用いた従来の2段階フレームワークの複製により、解釈可能性と結果の精度が向上することを提唱する。 ネットワークは,1)深部MVS技術を用いた局所深度マップの局所計算,2)深部マップと画像の特徴を融合させて単一のTSDFボリュームを構築する。 異なる視点から取得した画像間のマッチング性能を改善するために,PosedConvと呼ばれる回転不変な3D畳み込みカーネルを導入する。
  論文  参考訳（メタデータ） (2021-08-19T11:33:58Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• Fusion of Range and Stereo Data for High-Resolution Scene-Modeling [20.824550995195057]
  本稿では,高分解能深度マップの構築において,レンジステレオ融合の問題に対処する。 低分解能深度データと高分解能ステレオデータとを最大後部(MAP)定式化で組み合わせる。 エネルギー関数におけるデータ期間の3つの特性のために、方法の精度は損なわれません。
  論文  参考訳（メタデータ） (2020-12-12T09:37:42Z)
• Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene Understanding [19.134536179555102]
  生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。 提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
  論文  参考訳（メタデータ） (2020-11-29T12:56:19Z)

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。